2D医療画像における自動点通信のためのコホネンネットワークの適用

このホワイトペーパーでは、ユニモーダル医療画像の自動点対応のためのコホネンネットワークの一般化されたアプリケーションを提示します。同じ解剖学的領域の2次元医療画像のペアと画像の1つの関心ポイントのセットを考えると、アルゴリズムは、コホネンの自己組織マップ（SOM）の特性を活用し、それらを確率的最適化フレームワークに埋め込むことにより、2番目の画像の対応するポイントのセットを効果的に検出します。対応は、最初の画像の目的ポイントを2番目の画像の対応するポイントにマッピングするローカル変換のパラメーターを決定することによって確立されます。各変換のパラメーターは、SOMによって実装されているように、競争学習の変更を使用して、反復的な方法で計算されます。提案されたアルゴリズムは、既知および未知の変換を条件として、3つの異なるモダリティ（CT、MR、および赤色の網膜画像）の医療画像データでテストされました。すべての場合の定量的結果は、サブピクセルの精度を示しました。このアルゴリズムは、ノイズが破損したデータの場合に効率的に機能することも証明されました。最後に、SOMにも基づいた以前に公開されたアルゴリズムと比較して、およびポイント対応（テンプレートマッチングと最も近い点）の検出のために広く使用されている2つの手法と比較して、提案されたアルゴリズムは、精度と堅牢性の観点からパフォーマンスの向上を示します。

In this paper, a generalized application of Kohonen Network for automatic point correspondence of unimodal medical images is presented. Given a pair of two-dimensional medical images of the same anatomical region and a set of interest points in one of the images, the algorithm detects effectively the set of corresponding points in the second image, by exploiting the properties of the Kohonen self organizing maps (SOMs) and embedding them in a stochastic optimization framework. The correspondences are established by determining the parameters of local transformations that map the interest points of the first image to their corresponding points in the second image. The parameters of each transformation are computed in an iterative way, using a modification of the competitive learning, as implemented by SOMs. The proposed algorithm was tested on medical imaging data from three different modalities (CT, MR and red-free retinal images) subject to known and unknown transformations. The quantitative results in all cases exhibited sub-pixel accuracy. The algorithm also proved to work efficiently in the case of noise corrupted data. Finally, in comparison to a previously published algorithm that was also based on SOMs, as well as two widely used techniques for detection of point correspondences (template matching and iterative closest point), the proposed algorithm exhibits an improved performance in terms of accuracy and robustness.