Correlazione incrociata con finestra coseno efficiente per registrazione di immagini deformabili intermedie

Aiutare i medici a confrontare le immagini mediche in modo più affidabile

La medicina moderna spesso si basa sul confronto di esami medici acquisiti in momenti diversi o su soggetti diversi — per esempio per valutare la risposta di un tumore a una terapia o per costruire atlanti cerebrali. Tuttavia, allineare queste immagini in modo che lo stesso punto anatomico appaia nella stessa posizione è sorprendentemente difficile. Questo articolo introduce un nuovo passaggio computazionale che rende tali allineamenti più veloci e più affidabili, specialmente quando l’anatomia è molto cambiata tra le acquisizioni.

Perché allineare le scansioni mediche è così complicato

Quando i computer allineano due immagini, di solito partono correggendo differenze semplici e di ampia portata come traslazioni, rotazioni e variazioni di scala — questo si chiama registrazione affine. Tuttavia, l’anatomia umana reale si deforma, cresce e si sposta in modi complessi che non possono essere catturati da semplici stiramenti e rotazioni. I metodi dettagliati di registrazione “deformabile” cercano di risolvere questo permettendo a ciascuna piccola regione di muoversi separatamente, ma spesso si basano su dettagli locali dell’immagine. Se le differenze tra le acquisizioni sono grandi — per esempio prima e dopo un intervento chirurgico o tra pazienti diversi — questi metodi possono bloccarsi in una soluzione scorretta o impiegare molto tempo per convergere.

Un passaggio intermedio tra allineamento grossolano e fine

L’autore propone un metodo di “registrazione di immagini deformabili intermedie” (IDIR) progettato per stare tra il passaggio affine grossolano e la fase deformabile molto fine. Invece di considerare l’intera immagine in una volta o solo piccole intorno locali, IDIR usa finestre molto ampie e sovrapposte che scorrono sull’immagine. All’interno di ciascuna finestra, stima quanto una immagine debba essere localmente spostata per sovrapporsi al meglio con l’altra. Scegliendo una finestra liscia a forma di coseno e combinando con cura le informazioni provenienti da tutte le posizioni, il metodo produce una mappa a variazione continua di come ogni punto dovrebbe muoversi. Questa mappa corregge grandi deformazioni in poche iterazioni, fornendo ai metodi successivi e più dettagliati un punto di partenza molto migliore.

Usare matematica ispirata al suono per un confronto più veloce

Nel dettaglio, il metodo si basa sulla correlazione incrociata — un modo per misurare quanto sono simili due segnali al variare dello spostamento relativo. Questa idea è comunemente usata nell’elaborazione del segnale, come in audio e radar. Per mantenere il calcolo praticabile su immagini grandi e volumi 3D, l’autore utilizza la trasformata veloce di Fourier (FFT), che accelera drasticamente i calcoli di correlazione. Un’innovazione chiave è l’applicazione di finestre a forma di coseno alle immagini prima della correlazione e l’espansione matematica intelligente che permette di calcolare molte traslazioni locali contemporaneamente invece che una per una. Questo riduce il costo computazionale da qualcosa di proibitivo per dati reali a qualcosa che si esegue in secondi o minuti su hardware tipico.

Test su raggi X, risonanza magnetica cerebrale e TC addominale

Il metodo è stato testato su tre tipi molto diversi di immagini mediche: raggi X 2D di mascelle e piedi acquisiti prima e dopo intervento, scansioni MRI 3D di cervelli fetali in differenti settimane di gestazione e CT addominali 3D di pazienti diversi. Negli esperimenti sui raggi X, il nuovo approccio ha rapidamente catturato grandi cambiamenti chirurgici in poche iterazioni, producendo campi di spostamento lisci senza bisogno di ulteriori accorgimenti di regolarizzazione. Sulle MRI fetali ha migliorato sostanzialmente la sovrapposizione delle regioni cerebrali etichettate e ha superato un algoritmo deformabile standard quando entrambi sono stati eseguiti da zero. Quando lo stesso algoritmo standard è stato inizializzato con il risultato IDIR, l’allineamento è migliorato ulteriormente. Nelle TC addominali, il nuovo metodo ha nuovamente migliorato i punteggi di sovrapposizione degli organi e, combinato con un metodo deformabile esistente, ha superato ciascuno dei due usati da solo per ogni organo testato.

Cosa significa per il futuro dell’imaging medico

Per i non esperti, il risultato principale è che questo lavoro offre un nuovo modo di “pre-allineare” immagini mediche quando l’anatomia differisce molto tra acquisizioni. Correggendo in modo efficiente differenze di forma su larga scala senza richiedere dati di addestramento o tarature specifiche per un organo, il metodo IDIR proposto può rendere gli strumenti di registrazione deformabile consolidati più accurati e più rapidi a convergere. Non è pensato per sostituire completamente la registrazione dettagliata, ma per dare a questi metodi un vantaggio iniziale significativo. Poiché è generale e funziona su raggi X, MRI e TC, potrebbe essere ampiamente utile negli studi di ricerca e, potenzialmente, nei flussi di lavoro clinici dove il confronto affidabile delle immagini mediche è cruciale.

Citazione: 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

Parole chiave: registrazione di immagini mediche, registrazione deformabile, allineamento basato su Fourier, correlazione incrociata, analisi di immagini mediche