Piecewise Affine Registration of Biological Images

Présentation au sujet: "Piecewise Affine Registration of Biological Images"— Transcription de la présentation:

1 Piecewise Affine Registration of Biological Images
Alain Pitiot, Grégoire Malandain, Eric Bardinet, Paul M. Thompson 2003

2 Plan Problématique Méthode Résultats Conclusions

3 Problématique Etude de l’existant: Nécessité d’un traitement local:
Transformations globales affines/élastiques Fragmentation simple (quadtree) Correspondance rigide réalisée par l’utilisateur Nécessité d’un traitement local: Réalité biologique Modélisation des transformations plus complexes

4 Problématique But: processus automatique de recalage des images biologiques 2D par fragmentation intelligente Établir un champ des correspondances Grouper les blocs dans des clusters Extraire les sous-images à partir des clusters Trouver les transformations affines locales Recalage complet par interpolation

5 Méthode Établir un champ des correspondances Les sites:
le centre du bloc associé au site (i,j) sim = coefficient de corrélation Déplacement « optimal » où (k,l) max = arg max k,l sim( , ) .

6 Méthode Grouper les blocs dans des clusters
Maximiser la dépendance intra-cluster Minimiser la dépendance inter-cluster Description de l’algorithme Initialisation: un site dans un cluster Calcul distances inter-clusters Fusionner les plus proches clusters Recommencer jusqu’à le nombre des clusters est atteint

7 Méthode Définir les distances: Entre les sites
Earth mover’s distance entre les distributions faible

8 Méthode Entre les clusters: T transformation estimée du cluster où

9 Méthode Extraires les sous-images à partir de clusters
Chaque sous-image corresponde à un seul cluster Minimiser les effets du bord On assure un support plus large Trouver les transformations affines locales Algorithme de « block matching »

10 Méthode Recalage complet par interpolation
Couper les sous-images pour éliminer le chevauchement Interpolation élastique

11 Résultats Tests avec 4 composantes séparées
Bonnes résultats même avec un niveau de bruit de 75% (distance géodésique) Tests avec composantes connectées 20% vecteurs mal placés pour bruit 50% Le support plus large aide beaucoup Des meilleurs résultats avec EMD

12 Résultats médicales

13 Conclusions Analyse d’ensemble sur l’article Extension 3D du modèle
Optimiste, mais pas de temps de calcul Difficultés et limitations Peu de tests Paramètres utilisateur Perspectives