ローカルカノニカル相関分析に基づくマルチスペクトル画像登録

現在、医療スキャンは、複数のシーケンスまたはコントラスト設定を使用して日常的に取得されており、マルチスペクトルデータが生まれています。このデータの自動分析には、多宇宙類の類似性の評価が不可欠です。これまでのところ、複数のチャネルを含む画像を使用して原則的な方法で対処するために提案されている概念はほとんどありません。ここでは、よく知られている統計的手法である標準相関分析（CCA）に基づいた新しいアプローチを提示します。CCAは、2つの多次元変数を2つの新しいベースにマッピングすることを見つけます。これは、信号の真の根本的な関係を最もよく表しています。したがって、以前に使用されていたメトリックとは対照的に、複数のチャネルの線形結合に基づいて新しい相関を見つけることができます。この概念を拡張して、画像パッチ間でローカルカノニカル相関（LCCA）を効率的にモデル化します。この小説、より一般的な類似性メトリックは、任意の数のチャネルを持つ画像に適用できます。LCCAの最も重要な特性は、変数のアフネート変換への不変性です。ローカルヒストグラムで使用する場合、LCCAはマルチモーダルの類似性にも対処できます。挑戦的な臨床マルチスペクトルデータセットに関するコンセプトのパフォーマンスを実証します。

Medical scans are today routinely acquired using multiple sequences or contrast settings, resulting in multispectral data. For the automatic analysis of this data, the evaluation of multispectral similarity is essential. So far, few concepts have been proposed to deal in a principled way with images containing multiple channels. Here, we present a new approach based on a well known statistical technique: canonical correlation analysis (CCA). CCA finds a mapping of two multidimensional variables into two new bases, which best represent the true underlying relations of the signals. In contrast to previously used metrics, it is therefore able to find new correlations based on linear combinations of multiple channels. We extend this concept to efficiently model local canonical correlation (LCCA) between image patches. This novel, more general similarity metric can be applied to images with an arbitrary number of channels. The most important property of LCCA is its invariance to affine transformations of variables. When used on local histograms, LCCA can also deal with multimodal similarity. We demonstrate the performance of our concept on challenging clinical multispectral datasets.