Corrélation croisée à fenêtre cosinus efficace pour l’enregistrement d’images déformables intermédiaire

Aider les médecins à comparer les images médicales de façon plus fiable

La médecine moderne repose souvent sur la comparaison de clichés médicaux pris à des moments différents ou chez des personnes différentes — par exemple pour observer la réponse d’une tumeur à un traitement ou pour construire des atlas cérébraux. Mais aligner ces images de manière à ce qu’un même point anatomique apparaisse au même endroit est étonnamment difficile. Cet article présente une nouvelle étape computationnelle qui rend ces alignements plus rapides et plus fiables, en particulier lorsque l’anatomie a beaucoup changé entre les acquisitions.

Pourquoi il est si difficile d’aligner des clichés médicaux

Quand les ordinateurs alignent deux images, ils commencent généralement par corriger les différences grandes et simples comme les translations, rotations et changements d’échelle globaux — c’est ce qu’on appelle l’enregistrement affine. Toutefois, l’anatomie humaine se courbe, croît et se déplace de façons complexes qui ne sont pas captées par de simples étirements ou rotations. Les méthodes détaillées « déformables » tentent de résoudre cela en autorisant chaque petite région à se déplacer indépendamment, mais elles s’appuient souvent sur des détails locaux très fins. Si les changements entre les clichés sont importants — par exemple avant et après une opération ou entre différents patients — ces méthodes peuvent rester coincées dans une mauvaise solution ou mettre beaucoup de temps à converger.

Une étape intermédiaire entre l’alignement grossier et le réglage fin

L’auteur propose une méthode d’« enregistrement d’images déformable intermédiaire » (IDIR) conçue pour se placer entre l’étape affine grossière et l’étape déformable très fine. Plutôt que d’examiner l’image entière en une fois ou seulement de tout petits voisinages, l’IDIR utilise de très grandes fenêtres qui se chevauchent et glissent sur l’image. Dans chaque fenêtre, on estime de combien il faut décaler localement une image pour la faire coïncider au mieux avec l’autre. En choisissant une fenêtre lisse en forme de cosinus et en combinant soigneusement l’information provenant de toutes les positions, la méthode produit une carte à variations lisses indiquant le déplacement à appliquer en chaque point. Cette carte corrige de grandes déformations en seulement quelques itérations, offrant aux méthodes plus détaillées un point de départ beaucoup plus favorable.

Utiliser des mathématiques inspirées du traitement du son pour un appariement plus rapide

En interne, la méthode s’appuie sur la corrélation croisée — une façon de mesurer la similarité entre deux signaux lorsqu’on en décale l’un par rapport à l’autre. Cette idée est couramment utilisée en traitement du signal, par exemple en audio ou en radar. Pour que le calcul reste pratique sur de grandes images et des volumes 3D, l’auteur exploite la transformée de Fourier rapide (FFT), qui accélère considérablement les calculs de corrélation. Une innovation clé consiste à appliquer des fenêtres en forme de cosinus aux images avant de les corréler, puis à développer astucieusement les expressions mathématiques pour pouvoir calculer en masse de nombreux décalages locaux plutôt qu’un par un. Cela réduit le coût informatique d’un niveau prohibitif pour des données réelles à un procédé qui s’exécute en quelques secondes à quelques minutes sur du matériel courant.

Tests sur radiographies, IRM cérébrales et CT abdominal

La méthode a été testée sur trois types très différents d’images médicales : des radiographies 2D des mâchoires et des pieds prises avant et après chirurgie, des IRM 3D de cerveaux fœtaux en développement à différentes semaines de gestation, et des scanners CT 3D de l’abdomen provenant de patients différents. Dans les expériences sur radiographies, la nouvelle approche a rapidement capté de grands changements chirurgicaux en quelques itérations, produisant des champs de déplacement lisses sans recourir à des astuces de lissage supplémentaires. Sur les IRM de cerveaux fœtaux, elle a considérablement amélioré le recouvrement des régions cérébrales annotées et a surpassé un algorithme déformable standard lorsqu’ils étaient lancés tous deux depuis le départ. Lorsque ce même algorithme standard était initialisé par le résultat de l’IDIR, l’alignement s’améliorait encore. Pour les CT abdominaux, la nouvelle méthode augmentait à nouveau les scores de recouvrement des organes et, combinée à une méthode déformable existante, surpassait chacune des deux seules méthodes pour tous les organes testés.

Ce que cela signifie pour l’imagerie médicale à venir

Pour le non-spécialiste, l’essentiel est que ce travail propose un nouveau moyen de « pré-aligner » des images médicales lorsque l’anatomie diffère fortement entre clichés. En corrigeant efficacement de larges différences de forme sans nécessiter de données d’entraînement ni d’ajustement spécifique à un organe, la méthode IDIR proposée peut rendre les outils d’enregistrement déformable établis plus précis et plus rapides à converger. Elle n’a pas vocation à remplacer entièrement l’enregistrement détaillé, mais à fournir à ces méthodes un avantage initial solide. Parce qu’elle est polyvalente et fonctionne sur radiographie, IRM et CT, elle pourrait être largement utile dans les études de recherche et, potentiellement, dans les parcours cliniques où la comparaison fiable d’images médicales est cruciale.

Citation: Aganj, I. Efficient cosine-windowed cross-correlation for intermediate deformable image registration. Sci Rep 16, 8629 (2026). https://doi.org/10.1038/s41598-026-40961-1

Mots-clés: enregistrement d’images médicales, enregistrement déformable, alignement basé sur Fourier, corrélation croisée, analyse d’imagerie médicale