View : 199 Download: 0

통계 변형 모델 학습을 통한 다중레벨 비강체 볼륨 영상 정합

Title
통계 변형 모델 학습을 통한 다중레벨 비강체 볼륨 영상 정합
Other Titles
Multi-level Non-rigid Registration of Volumetric Images via Learning based on Statistical Deformation Model
Authors
김민정
Issue Date
2008
Department/Major
대학원 컴퓨터정보통신공학과
Keywords
통계 변형 모델다중레벨볼륨
Publisher
이화여자대학교 대학원
Degree
Doctor
Abstract
Image registration is an image analysis technique that reconstructs complementary information by overlapping images of different properties or conditions. It is widely used for medical or geographical image analyses, computer visions such as facial image analyses, computer graphics and virtual and augmented reality areas which need to be matched with virtual objects and real world. To cope with the current trend of images with wide variety, high dimensionality and huge capacity, the image registration is rapidly becoming more important. Especially non-rigid registration which makes deformation between subjects with different appearances and acquisition time possible has wider application areas. In order to design non-rigid registration method which is efficiently applicable to real-world images, a robust method that prevents local minima problems and induces realistic image deformations should be presented. Moreover, reduction of execution time for application to large scale images should also be considered. Especially in case of volumetric images such as medical images with complex structures and big differences between subjects, an improved volumetric image registration method which considers structural variability and complexity is needed. In this paper, we propose a hybrid technique utilizing the statistical deformation model and non-rigid volumetric image registration in order to meet those requirements. The conventional technique uses a direct registration method which is performed between template image and test image. On the other hand, the proposed method adaptively generates similar image to test image and performs robust and rapid volumetric image registration by non-rigid registration using this intermediate image. For this purpose, we estimate the deformation coefficients for each test image based on the relationship between a large number of sample images and deformation fields that are created on the statistical deformation models. To describe our principal approach briefly, we first construct a statistical deformation model using deformation fields obtained by non-rigid registration of many input images onto template space and define a statistically efficient deformation domain. Moreover, we create statistical data that can treat test images with various appearances by synthesizing a large number of sample images on the statistical model. Secondly, we create compact representation for the features of sample images and establish correspondence between the compacted information and deformation coefficients on the statistical space, which results in relatively accurate deformation coefficients for each new test image. By this method, intermediate images can be generated that are deformed similarly to each test image. Finally, we propose a multi-level registration method that registers intermediate images, test images and template images. We perform registration of test images for intermediate images, and then robust registration by transforming the images onto template image space through deformation coefficients of intermediate images and template images. Moreover, we also attempt to make the integration with other registration method by volumetric transform in deforming between intermediate images and test images. The proposed statistical deformation model based non-rigid registration method is performed accurately and rapidly comparing to the conventional direct template-test image registration by defining deformation using intermediate image. Moreover, even in case of images with large variability such as images of low quality or patient images in medical applications, we perform robust registration that does not generate unrealistic deformation. In addition, integration with any image registration algorithms is possible since we create relatively small displacements between test images and intermediate images. Our method can be more efficiently performed with the increase in complexity of deformable model or data size. Consequently, it can be utilized for large scale volumetric images of high resolution in the real world such as medical or geographical images.;영상 정합(image registration)은 속성, 조건이 상이한 영상간의 일치를 통해 상호 보완적인 정보를 재구성하는 영상 분석 기법이다. 의료영상 및 지리?지형 영상 분석, 얼굴 인식 등의 컴퓨터 비전, 컴퓨터 그래픽스 분야 및 가상 객체와 실 세계 영상 정합 기술이 이용되는 가상 증강 현실 분야에 널리 활용되고 있으며, 최근 영상의 다양화, 고해상도화, 대용량화 추세에 따라 영상 정합의 중요성 및 활용도가 급격히 증대되고 있다. 특히 상이한 형상 또는 취득 시점을 가지는 대상들 간의 변형을 가능하게 하는 비강체(non-rigid) 영상 정합은 응용 분야가 보다 광범위하다. 실 세계 영상에 효과적으로 적용 가능한 비강체 영상 정합 기법의 설계를 위해서는 변환 및 변형의 지역적 최소화 가능성을 방지하고 영상의 실제적 변형을 유도하는 강건한 변형 기법이 제시되어야 한다. 또한 대용량 영상에의 적용을 위한 수행속도 감소도 고려해야 할 문제이다. 특히 의료 영상 등 복잡한 구조를 가지면서 개체간 형상 차이가 큰 볼륨 영상의 경우 정합 정확도가 감소하게 되므로 구조적 다양성과 복잡도를 고려한 개선된 볼륨 영상 기법이 필요하다. 본 논문에서는 이러한 요구 조건을 충족하기 위해 통계적 변형 모델과 비강체 볼륨영상 정합을 접목한 기법을 제안한다. 제안한 방법에서는 기존 기법과 달리 정합의 기준이 되는 템플릿 영상과 테스트 영상간의 변형을 직접 수행하지 않고 테스트 영상과 유사한 영상을 적응적으로 생성하고 이를 매개로 한 비강체 정합을 통해 견고하고 신속한 볼륨 영상 정합을 수행한다. 이를 위해 통계 변형 모델 상에서 생성된 다수의 표본 영상과 변형 계수와의 상관관계를 기반으로 테스트 영상의 변형 계수를 추정한다. 주요 접근방법으로는 첫째, 다수의 입력 영상으로부터 템플릿 영상 공간으로의 정합을 통해 얻어진 변형 필드를 이용하여 통계적 변형 모델을 구축하고 이를 통해 통계적으로 유효한 변형 도메인을 정의한다. 통계적 변형 공간 상에서 다수의 표본 영상을 합성함으로써 다양한 형상을 가지는 테스트 영상의 입력을 다룰 수 있는 통계적 공간을 생성한다. 둘째, 표본 영상 특징 정보의 압축적 표현을 생성하고 압축된 영상 특징 정보와 통계적 공간 상에서의 변형 계수와의 대응관계를 학습을 통해 설정한다. 이를 통해 새로 입력되는 테스트 영상에 대해 비교적 정확한 변형 계수를 추정해 줌으로써 각 테스트 영상과 유사하게 변형된 매개 영상 생성이 가능하다. 셋째, 테스트 영상에 적응적으로 변형된 영상인 매개 영상과 테스트 영상, 템플릿 영상을 정합하는 다중레벨 비강체 정합 기법을 제안한다. 입력되는 테스트 영상에 대해 매개 영상으로의 정합을 수행하고 매개 영상과 템플릿 영상과의 변형 계수를 통해 템플릿 영상 공간으로 변환됨으로써 견고하게 정합된다. 또한 매개 영상과 테스트 영상 간의 변형에 있어서 입력 변형 필드 생성에 이용되었던 혼합 방식의 정합 기법 외에 볼륨 변형 방식과의 통합 또한 시도한다. 본 논문에서 제안한 통계적 변형 모델 기반 비강체 정합은 테스트 영상에 유사하게 변형된 템플릿 영상을 매개로 한 변형을 정의함으로써 기존 템플릿-테스트 영상을 직접 정합하는 기법에 비해 정확하고 빠르게 수행된다. 또한 화질이 좋지 않은 영상이나 의료 영상에서의 환자 영상 등 템플릿 영상과의 형상 차이가 큰 영상에 대해서도 인위적 변형을 생성하지 않는 견고한 정합을 수행한다. 뿐만 아니라 테스트 영상과 매개 영상의 정합 사이에 상대적으로 작은 변위를 생성하므로 임의의 영상 정합 알고리즘과의 통합이 가능하다. 제안 기법은 변형 모델의 복잡도 또는 데이터의 크기가 커질수록 보다 효율적으로 수행될 수 있으므로 의료 영상, 위성?지형 영상 등 대용량, 고해상도의 실 세계 볼륨 영상에의 활용도가 매우 크다.
Fulltext
Show the fulltext
Appears in Collections:
일반대학원 > 컴퓨터정보통신공학과 > Theses_Ph.D
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE