Эффективная кросс-корреляция с косинусным окном для промежуточной деформируемой регистрации изображений

Помощь врачам в более надёжном сравнении медицинских изображений

Современная медицина часто опирается на сравнение медицинских снимков, сделанных в разное время или у разных людей — например, чтобы увидеть, как опухоль реагирует на лечение, или чтобы составить атласы мозга. Но выровнять эти изображения так, чтобы одна и та же анатомическая точка оказалась в одном и том же месте, оказывается нелёгкой задачей. В этой статье предложён новый вычислительный этап, который делает такие выравнивания быстрее и надёжнее, особенно когда анатомия изменилась существенно между съёмками.

Почему так сложно выравнивать медицинские снимки

При выравнивании двух изображений компьютеры обычно начинают с исправления крупных, простых различий, таких как сдвиги, повороты и общий масштаб — это называется аффинной регистрацией. Однако реальная человеческая анатомия изгибается, растёт и смещается сложными способами, которые нельзя описать простым растяжением или поворотом. Подробные методы «деформируемой» регистрации пытаются учесть это, позволяя каждой малой области двигаться самостоятельно, но они часто опираются на очень локальные детали изображения. Если изменения между снимками велики — например, до и после операции или у разных пациентов — такие методы могут застрять в неправильном решении или потребовать много времени для сходимости.

Промежуточный шаг между грубым и тонким выравниванием

Автор предлагает метод «промежуточной деформируемой регистрации изображений» (IDIR), который предназначен для размещения между грубой аффинной стадией и очень тонкой деформируемой стадией. Вместо того чтобы смотреть либо на всё изображение целиком, либо только на крошечные окрестности, IDIR использует очень большие перекрывающиеся окна, скользящие по изображению. В каждом окне оценивается, насколько одну картинку нужно локально сдвинуть, чтобы она лучше соответствовала другой. Выбирая плавное окно косинусной формы и аккуратно комбинируя информацию со всех позиций, метод генерирует плавно изменяющуюся карту смещений для каждой точки. Эта карта корректирует крупные деформации за считанные итерации, давая последующим, более детальным методам гораздо лучший старт.

Использование математики, вдохновлённой обработкой звука, для ускорения сопоставления

В основе метода лежит кросс-корреляция — способ измерить, насколько похожи два сигнала при различных сдвигах одного относительно другого. Эта идея широко применяется в обработке сигналов, например в аудио и радаре. Чтобы сделать вычисления практичными для больших изображений и 3D-томов, автор использует быстрый преобразование Фурье (FFT), которое значительно ускоряет расчёты корреляции. Ключевое новшество — применение косинусных окон к изображениям перед корреляцией и умелое разложение формул так, чтобы многие локальные сдвиги вычислялись одновременно, а не по одному. Это снижает вычислительную сложность с уровня, неприемлемого для реальных данных, до уровня, при котором обработка занимает от секунд до минут на обычном аппаратном обеспечении.

Тестирование на рентгенах, снимках мозга и абдоминальных КТ

Метод тестировали на трёх очень разных типах медицинских изображений: 2D-рентгенах челюстей и стоп до и после операций, 3D-МРТ развивающихся мозгов плода на разных неделях гестации и 3D-КТ брюшной полости у разных пациентов. В экспериментах с рентгенами новый подход быстро уловил крупные хирургические изменения за несколько итераций, обеспечив гладкие поля смещений без дополнительных приёмов сглаживания. В МРТ мозга плода он существенно улучшил наложение размеченных областей и превзошёл стандартный деформируемый алгоритм при запуске с нуля. Когда тот же стандартный метод инициализировали результатом IDIR, выравнивание улучшалось ещё больше. В абдоминальных КТ новый метод также повысил показатели перекрытия органов и, в сочетании с существующим деформируемым методом, превзошёл каждый из них по отдельности для всех проверенных органов.

Что это значит для будущего медицинской визуализации

Для непрофессионалов суть в том, что эта работа предлагает новый способ «предварительного выравнивания» медицинских изображений, когда анатомия сильно различается между съёмками. Эффективно корректируя крупномасштабные различия формы без необходимости обучающих данных или настройки под конкретный орган, предлагаемый метод IDIR может сделать существующие инструменты деформируемой регистрации точнее и ускорить их сходимость. Он не предназначен полностью заменить подробную регистрацию, а дать этим методам сильное преимущество на старте. Поскольку метод универсален и работает с рентгеном, МРТ и КТ, он может быть широко полезен в исследовательских работах и, возможно, в клинических сценариях, где надёжное сравнение медицинских изображений критично.

Цитирование: 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

Ключевые слова: регистрация медицинских изображений, деформируемая регистрация, выравнивание на основе Фурье, кросс-корреляция, анализ медицинских изображений