On the Optimization of the Geodesic Active Fields (GAF) for Image Registration: Application to multi-scale registration of cortical maps on the sphere

Abstract

[ANGLÈS] This work presents an analysis and optimization, both in terms of optimal parameters and speed, of the novel geodesic active fields framework for surface image registration on the sphere, presented by Zosso, Dominique in his PhD thesis at the École Polytechnique Fédérale de Lausanne. The relevance of surface registration to medical imaging is that there is a lot of anatomical information in the form of collected surface points, giving information about the cortical folding pattern. Hence, a reliable tool, capable of capturing the information of sulci and gyri is needed. Until now, several approaches have had major or minor success, however, there exists no suitable optimal algorithm yet, and surface image registration is still an open problem. Here, we aim at improving the performance of an existing registration algorithm. We divide our work in three main stages. The first consists in improving the performance of the registration framework, based on a multi-scale image registration free-deformation algorithm. The results of the proposed C++ implementation have clearly surpassed the performance of the current MATLAB R2009b Fast Geodesic Active Fields framework by computing the same process 4 times faster (under the same conditions). The second stage consists in improving the optimal existing parameters, trying to find the most suitable option for surface image registration of cortical pattern. At this stage, the previous score has been slightly improved (0,1% mean, 1,4% median, improvement in the parcellation of the brain surface on 3 of the 35 gyral regions), however, by computing several simulations with different parameters we have tested the robustness of the algorithm. Finally, the implementation of an SVM Classifier has been presented, but results have not outperformed the actual Bayesian classifier of smoothed meshes.

[CASTELLÀ] Este trabajo presenta un análisis y optimización, tanto en términos de parámetros óptimos como de velocidad, del aplicativo para el análisis de campos activos geodésicos aplicados al registro de imágenes en la superficie de la esfera, presentado por Dominique Zosso en su tesis de doctoral en la École Polytechnique Fédérale de Lausanne (EPFL) en 2011. La importancia del registro de superficies en imágenes médicas se debe a la gran cantidad de información anatómica localizada en los puntos de la superficie del cerebro, que proporcionan información sobre el patrón de pliegos de la superficie cortical. Para detectar con detalle dichos puntos, se requiere de la creación de una herramienta fiable, capaz de capturar la información de los surcos y girificaciones de la superficie cerebral. Hasta el momento, los enfoques existentes han tenido un éxito mayor o menor en la captura de dicha información, sin embargo, no existe aún ningún algoritmo óptimo, y el registro de imágenes que registre con detalles una superficie cortical es todavía un problema abierto. Nuestro objetivo principal a lo largo de este trabajo ha sido mejorar el rendimiento de un algoritmo de registro existente a todos los niveles. Para ello, hemos dividido nuestra labor en tres hitos principales. El primero consiste en mejorar el rendimiento(temporal) del algoritmo interno del framework de registro de imágenes, que se encarga en realizar un registro multi-escala de deformación libre sobre la superficie cortical aplicando campos activos geodésicos. Los resultados de la propuesta realizada en C++ han demostrado superar notablemente el rendimiento del antiguo entorno en MATLAB R2009b, dividiendo en 4 veces el tiempo total de proceso (en las mismas condiciones). La segunda etapa consiste en optimizar los parámetros y variables internos existentes, tratando de encontrar la opción más adecuada para el registro de imágenes corticales. En esta etapa, la puntuación anterior se ha mejorado ligeramente (0,1% en media, 1,4% mediana, en lo que respecta a clasificación, y mejora en la parcelación de la superficie del cerebro en 3 de las 35 regiones gyral predefinidas). Por otra parte, las diversas simulaciones y la búsqueda dicotómica realizada para los parámetros óptimos ha servido para demostrar la robustez del algoritmo. Por último, hemos introducido un clasificador Support Vector Machine (SVM) en el aplicativo, pero los resultados no han superado el clasificador Bayesiano real de mallado suavizado previo.

[CATALÀ] Aquest treball presenta una anàlisi i optimització, tant en termes de paràmetres òptims com de velocitat, de l'aplicatiu per a l'anàlisi de camps actius geodèsics aplicats al registre d'imatges en la superfície de l'esfera, presentat per Dominique Zosso en la seva tesi doctoral a la École Polytechnique Fédérale de Lausanne (EPFL) el 2011. La importància del registre de superfícies en imatges mèdiques és deguda a la gran quantitat d'informació anatòmica localitzada en els punts de la superfície del cervell, que proporcionen informació sobre el patró de plecs de la superfície cortical. Per detectar amb detall aquests punts, es requereix de la creació d'una eina fiable, capaç de capturar la informació dels solcs i girificacions de la superfície cerebral. Fins ara, les solucions existents han tingut un èxit més o menys considerable en la captura d'aquesta informació, tot i així, no existeix encara cap algorisme òptim, i el registre d'imatges que registri amb detalls una superfície cortical és encara un problema obert. El nostre objectiu principal al llarg d'aquest treball ha estat millorar el rendiment d'un algorisme de registre existent a tots els nivells. Per aquest motiu, hem dividit la nostra tasca en tres fites principals. La primera fita consisteix a millorar el rendiment (temporal) de l'algorisme intern del framework de registre d'imatges, que s'encarrega a realitzar un registre multi-escala de deformació lliure sobre la superfície cortical, mitjançant camps actius geodèsics. Els resultats de la proposta realitzada en C++ han demostrat superar notablement el rendiment de l'antic entorn en MATLAB R2009b, dividint en com a mínim 4 vegades el temps total de procés (en les mateixes condicions). La segona etapa consisteix en optimitzar els paràmetres i variables interns existents, tractant de trobar l'opció més adequada per al registre d'imatges corticals. En aquesta etapa, la puntuació anterior s'ha millorat lleugerament (0,1% de mitjana, 1,4% mediana, pel que fa a classificació, i millora en la parcel·lació de la superfície del cervell en 3 de les 35 regions gyrals predefinides). D'altra banda, les diverses simulacions i la recerca dicotòmica realitzada pels paràmetres òptims ha servit per demostrar la robustesa de l'algorisme. Finalment, hem introduït un classificador Support Vector Machine (SVM) a l'aplicatiu, però els resultats no han superat el classificador bayesià de mallat suavitzat previ.