CHƯƠNG 3: KHẢO SÁT CÁC PHƯƠNG PHÁP HỢP NHẤT 3.1TỔNG QUÁT
3.7HỢP NHẤT HÌNH ẢNH THEO CƯỜNG ĐỘ
Các kỹ thuật dựa trên cường độ đã cho ra một thành tựu khác để liên kết các khối ảnh. Không giống như các kỹ thuật hợp nhất đã đề cập bên trên (dựa trên những đặc điểm không gian như vật đánh dấu, điểm hay cấu trúc), phương thức dựa vào cường độ sử dụng không gian đặc điểm đã được xác định theo hình thức thống kê từ các giá trị cường độ của ảnh. Chính vì thế, những vấn đề liên quan đến biểu hiện đặc điểm (tiền xử lý ảnh, phân đoạn, tách biên… ) được bỏ qua.
Có một vài cách để phân loại bản chất đặc trưng của đại lượng cường độ. Trước tiên, cơ sở thống kê của không gian đặc điểm không bị ràng buộc bởi những hạn chế do bản chất thô của phép biến dạng. Những thủ thuật này có thể sử dụng cả phép biến dạng thô hay affine tùy theo nhu cầu riêng. Đồng thời, để chọn lọc được phép biến dạng tối ưu sẽ cần phải có một chiến lược nghiên cứu. Tuy nhiên, đáng chú ý nhất ở đây là khả năng cho ra một hình thức hợp nhất hoàn toàn tự động. Vì không gian đặc điểm được xác định bởi mối quan hệ về thống kê giữa các giá trị cường độ khả thi nên loại hình hợp nhất này có thể được tiến hành một cách tự động với điều kiện là tính năng của nó đủ mạnh. Trong những năm gần đây, hai hình thức hợp nhất chính sử dụng đại lượng cường độ đã được phát triển là : tương đồng voxels và các thông tin tương hỗ.
3.7.1. Tương đồng voxel
Quan điểm sử dụng tính tương đồng giữa các khối ảnh làm cơ sở để hợp nhất đựơc thực nghiệm đầu tiên bởi Wood et al. nhằm sắp xếp nhiều ảnh với nhau. Kỹ thuật dựa trên giả thuyết: nếu hai tập ảnh được xếp lại với nhau thì giá trị của bất kỳ khối ảnh nào trong một tập ảnh sẽ tương xứng với giá trị của khối ảnh liên quan trong tập ảnh thứ 2 thông qua một hệ số nhân đơn giản. Chiến lược nghiên cứu nhằm mục tiêu giảm thiểu sự biến đổi và tạo ra một phép biến dạng thô phù hợp. Thành công của loại hình hợp nhất này là cho ra những cải thiện trong phép hợp nhất giữa MR và PET. Những khác biệt giữa các mô hình chức năng và cấu trúc đòi hỏi phải có sự đổi mới trong giả thuyết ban đầu về
biểu diễn ảnh của mô trong MR. Giả thuyết mới xem mỗi giá trị cường độ trên ảnh MR tượng trưng cho một loại mô riêng. Theo đó, những điểm ảnh PET tương ứng cũng phải tương đương với nhau. Bằng cách thực hiện lặp lại việc thu nhỏ trung bình của độ lệch tiêu chuẩn giữa các giá trị điểm ảnh PET so với mỗi giá trị cường độ trên ảnh MR, ta thu được giải pháp tối ưu. Để thực thi giả thuyết này, tất cả mô không phải tổ chức não phải được loại bỏ khỏi ảnh MR trước khi hợp nhất. Kết quả của hình thức hợp nhất này đã được kiểm nghiệm qua bộ phần mềm hợp nhất hình ảnh tự động (Automated Image Registration). Gần đây, Wood et al. đã cho ra đời phiên bản hợp nhất đã được điều chỉnh. Với đà phát triển không ngừng, AIR ngày càng trở thành một ứng dụng quan trọng. Imran et al. đã tiến hành ứng dụng AIR cho những hợp nhất trong SPECT. Trong khi nghiên cứu một hình thức tính toán hợp nhất giữa các mô hình giống nhau, Black et al. đã xác định độ chính xác của AIR khi hợp nhất MR và PET thông qua việc sử dụng một “nón” mô hình chuyên dụng. Họ nhận thấy rằng: việc hợp nhất như thế đã loại đi được một ít sai sót. Alpert et al. [8] đã đưa ra một số cải tiến cho phần mềm AIR nhằm cải thiện đáng kể tốc độ xử lý bằng việc sử dụng thuật toán bình phương cực tiểu.
Một kỹ thuật rất giống với bộ phần mềm AIR được biết đến dưới tên gọi “Thiết lập giản đồ thông số thống kê” (Statistical Parametric Mapping) [28], cũng được xây dựng nhằm mục đích hợp nhất PET với MR. SPM khác với AIR ở chỗ khối ảnh MR được biến đổi thành một khối ảnh PET “giả” trước khi hợp nhất. Sau đó xác định phép biến đổi tối ưu bằng cách hợp nhất 2 khối ảnh PET với nhau. Kiebel et al. [9] đã xác nhận rằng cả SPM và AIR đều thực thi tốt việc hợp nhất MR-PET. Những loại hình tương tự đã được đề xuất bởi Lin et al. và Andersson et al. Nikou et al. [8] đã đưa ra cách tính toán mô phỏng nhanh thông qua tăng cường tối ưu tính tương đồng khối ảnh.
Hill et al. [31] đề ra một phép đo sử dụng một đồ thị phân tán 2 chiều của hai đường biểu diễn giá trị điểm ảnh (histogram). Khi 2 ảnh được chuyển tới hợp nhất với nhau, độ nghiêng của hàm phân bố giá trị gia tăng. Những thay đổi này được đo bởi một thành phần thứ 3 trong đồ thị. Studholme et al. đã kiểm tra hiệu quả của các loại hình
khác nhau trong phép đo tương đồng trên các dữ liệu lâm sàng và nhận thấy mức độ giống nhau về giá trị của ảnh PET là điểm mạnh nhất.
3.7.2. Thông tin tương hỗ
Đặc điểm dựa vào cường độ thứ 2 dùng để hợp nhất khối ảnh là các thông tin tương hỗ. Thông tin tương hỗ là một khái niệm xuất phát từ lý thuyết thông tin liên lạc. Khái niệm thông tin tương hỗ dùng để xác định sự phụ thuộc trên số liệu thống kê hoặc sự chồng lấp thông tin giữa hai tập ảnh trong khi đo “Entropi” (đại lượng đặc trưng cho mức độ ổn định của các tổ chức). Studholme et al. đề nghị sử dụng Entropi liên kết làm không gian đặc điểm. Nếu hai ảnh trùng nhau, entropi liên kết được xác định bằng cách sử dụng hàm phân bố xác suất liên kết trong vùng trùng nhau. Khi giảm Entropi liên kết, các cấu trúc bên trong vùng trùng nhau này được hợp lại với nhau. Tuy nhiên, hiệu quả của hình thức này phụ thuộc vào vùng chồng lấp. Việc hợp nhất sai xuất phát từ nguyên nhân là vùng chồng lấn có Entropi liên kết thấp hơn so với phần chồng lấn được hợp nhất. Thông tin tương hỗ là những vùng thông tin không sử dụng trong entropi liên kết bao gồm những entropi tiềm ẩn trong hai ảnh. Để tăng lượng thông tin tương hỗ, những entropi tiềm ẩn này phải được gia tăng trong khi entropi liên kết được giảm xuống. Để làm được điều này, các cấu trúc tiếp tục được sắp xếp thông qua entropi liên kết tối thiểu trong khi duy trì vùng chồng lấn tối ưu.
Hợp nhất dựa vào hình thức cực đại lượng thông tin tương hỗ đã được độc lập đề xuất từ Maes et al. [11] và Well et al. [20]. Hai dự án này khác nhau ở khâu tính toán của hàm phân bố xác suất liên kết. Nhóm của Maes sử dụng phương pháp hộp cường độ để tạo ra một biểu đồ cường độ liên kết. Họ sử dụng phương pháp nội suy thể tích từng phần để cải thiện kết quả bằng phép nội suy tuyến tính bậc 3 và giải thuật vùng lân cận (nearest). Hệ thống có độ chính xác ở mức subvoxel và rất mạnh về tính năng. Nhóm của Well sử dụng hình thức tính toán mật độ cửa sổ Parzen để tạo ra một hàm định lượng entropi liên kết. Thevanaz et al. [17] đề xuất điều chỉnh cửa sổ Parzen theo từng mức của
lược đồ tối ưu dạng tháp trong phép biến đổi affine của họ. Gần đây, họ đã thực nghiệm sử dụng những cửa sổ Parzen khác nhau trong giải thuật tối ưu của Marquardt-Levenberg [16]. Studholme et al. [15] cũng thực nghiệm sử dụng phép đo MI để tạo ra một hàm biến đổi affine thay cho một hàm biến đổi thô. Kết quả là độ chính xác của phép hợp nhất đã được cải thiện không phụ thuộc vào độ mạnh yếu của hệ thống dù cho thời gian của tiến trình có gia tăng. Họ cũng đề nghị bổ sung vào giải thuật MI một khâu đánh dấu vùng nhằm làm bật lên giải pháp tối ưu [32]. Hill et al. sử dụng MI để chỉnh sai số tỉ lệ với 9 bậc tự do. Meyer et al. [13] ứng dụng thuật toán MI trên nhiều tập ảnh của nhiều mô hình máy bao gồm ảnh PET-MR thô không hoàn chỉnh của não, ảnh PET-CT tuyến ức và ảnh SPECT-CT bụng. Tác dụng của ảnh ảo giúp tạo ra được cấp độ chính xác subvoxel và các tập dữ liệu không hoàn thỉnh cũng được thể nghiệm tốt. Bảng so sánh giữa 5 phương pháp khác nhau để đo tương đồng cường độ do Studholme et al. [21] trình bày đã cho thấy rằng phép đo thông tin tương hổ là công cụ mạnh nhất.