Mapeo métrico difeomórfico de gran deformación

El mapeo métrico difeomórfico de gran deformación ( LDDMM ) es un conjunto específico de algoritmos utilizados para el mapeo difeomórfico y la manipulación de imágenes densas basadas en el mapeo métrico difeomórfico dentro de la disciplina académica de la anatomía computacional , que debe distinguirse de su precursor basado en el mapeo difeomórfico . La distinción entre los dos es que los mapas métricos difeomórficos satisfacen la propiedad de que la longitud asociada a su flujo que se aleja de la identidad induce una métrica en el grupo de difeomorfismos , que a su vez induce una métrica en la órbita de formas y figuras dentro del campo de la anatomía computacional . El estudio de formas y figuras con la métrica del mapeo métrico difeomórfico se llama difeomorfometría .

Un sistema de mapeo difeomórfico es un sistema diseñado para mapear, manipular y transferir información almacenada en muchos tipos de imágenes médicas distribuidas espacialmente.

El mapeo difeomórfico es la tecnología subyacente para mapear y analizar información medida en sistemas de coordenadas anatómicas humanas que se han medido a través de imágenes médicas ^{[ cita requerida ]} . El mapeo difeomórfico es un término amplio que en realidad se refiere a una serie de algoritmos, procesos y métodos diferentes. Está asociado a muchas operaciones y tiene muchas aplicaciones para el análisis y la visualización. El mapeo difeomórfico se puede utilizar para relacionar varias fuentes de información que se indexan como una función de la posición espacial como la variable de índice clave. Los difeomorfismos son, por su estructura de raíz latina, transformaciones que preservan, que a su vez son diferenciables y, por lo tanto, suaves, lo que permite el cálculo de cantidades basadas en métricas como la longitud del arco y las áreas de superficie. La ubicación espacial y las extensiones en los sistemas de coordenadas anatómicas humanas se pueden registrar a través de una variedad de modalidades de imágenes médicas, generalmente denominadas imágenes médicas multimodales, que brindan cantidades escalares o vectoriales en cada ubicación espacial. Algunos ejemplos son las imágenes por resonancia magnética escalar T1 o T2 , o las matrices de tensor de difusión 3x3 de la resonancia magnética y las imágenes ponderadas por difusión , hasta densidades escalares asociadas a la tomografía computarizada (TC), o imágenes funcionales como los datos temporales de la resonancia magnética funcional y densidades escalares como la tomografía por emisión de positrones (PET) .

La anatomía computacional es una subdisciplina dentro del campo más amplio de la neuroinformática dentro de la bioinformática y la imagenología médica . El primer algoritmo para el mapeo de imágenes densas a través del mapeo métrico difeomórfico fue el LDDMM de Beg ^{[1] [2]} para volúmenes y la coincidencia de puntos de referencia de Joshi para conjuntos de puntos con correspondencia, ^{[3] [4]} con algoritmos LDDMM ahora disponibles para calcular mapas métricos difeomórficos entre puntos de referencia no correspondientes ^[5] y coincidencia de puntos de referencia intrínseca a variedades esféricas, ^[6] curvas, ^[7] corrientes y superficies, ^{[8] [9] [10]} tensores, ^[11] varifolds, ^[12] y series de tiempo. ^{[13] [14] [15]} El término LDDMM se estableció por primera vez como parte de la Red de Investigación de Informática Biomédica apoyada por los Institutos Nacionales de Salud . ^[16]

En un sentido más general, el mapeo difeomórfico es cualquier solución que registre o construya correspondencias entre sistemas de coordenadas densos en imágenes médicas al garantizar que las soluciones sean difeomórficas. Actualmente, existen muchos códigos organizados en torno al registro difeomórfico ^[17] , incluidos ANTS, ^[18] DARTEL, ^[19] DEMONS, ^[20] StationaryLDDMM, ^[21] FastLDDMM, ^{[22] [23]} como ejemplos de códigos computacionales utilizados activamente para construir correspondencias entre sistemas de coordenadas basados ​​en imágenes densas.

La distinción entre la aplicación métrica difeomórfica que forma la base del LDDMM y los primeros métodos de aplicación difeomórfica es la introducción de un principio de Hamilton de mínima acción en el que se seleccionan grandes deformaciones de longitud más corta correspondientes a flujos geodésicos. Esta importante distinción surge de la formulación original de la métrica de Riemann correspondiente a la invariancia derecha. Las longitudes de estas geodésicas dan la métrica en la estructura del espacio métrico de la anatomía humana. Las formulaciones no geodésicas de la aplicación difeomórfica en general no corresponden a ninguna formulación métrica.

Historia del desarrollo

El mapeo difeomórfico de información tridimensional a través de sistemas de coordenadas es fundamental para la obtención de imágenes médicas de alta resolución y para el área de la neuroinformática dentro del campo emergente de la bioinformática . El mapeo difeomórfico de sistemas de coordenadas tridimensionales medidos a través de imágenes densas de alta resolución tiene una larga historia en 3D que comenzó con la tomografía axial computarizada (TAC) a principios de los años 80 por el grupo de la Universidad de Pensilvania dirigido por Ruzena Bajcsy , ^[24] y posteriormente la escuela Ulf Grenander en la Universidad de Brown con los experimentos HAND. ^{[25] [26]} En los años 90 hubo varias soluciones para el registro de imágenes que se asociaron a linealizaciones de pequeñas deformaciones y elasticidad no lineal. ^{[27] [28] [29] [30] [31]}

El enfoque central del subcampo de la anatomía computacional (AC) dentro de las imágenes médicas es el mapeo de información a través de sistemas de coordenadas anatómicos a escala de morfoma de 1 milímetro . En la AC, el mapeo de información densa medida dentro de sistemas de coordenadas basados ​​en imágenes de resonancia magnética (IRM), como en el cerebro, se ha resuelto mediante la coincidencia inexacta de imágenes de RM 3D entre sí. La primera introducción del uso del mapeo difeomórfico a través de grandes flujos de deformación de difeomorfismos para la transformación de sistemas de coordenadas en análisis de imágenes e imágenes médicas fue por Christensen, Rabbitt y Miller ^{[17] [32]} y Trouve. ^[33] La introducción de flujos, que son similares a las ecuaciones de movimiento utilizadas en dinámica de fluidos, explota la noción de que las coordenadas densas en el análisis de imágenes siguen las ecuaciones de movimiento lagrangianas y eulerianas . Este modelo se vuelve más apropiado para estudios transversales en los que los cerebros o corazones no son necesariamente deformaciones de uno a otro. Los métodos basados ​​en la elasticidad energética lineal o no lineal que crece con la distancia desde la aplicación de identidad de la plantilla no son apropiados para el estudio transversal. En cambio, en los modelos basados ​​en flujos lagrangianos y eulerianos de difeomorfismos, la restricción está asociada a propiedades topológicas, como la conservación de los conjuntos abiertos, la no intersección de coordenadas, lo que implica unicidad y existencia de la aplicación inversa, y los conjuntos conectados que permanecen conectados. El uso de métodos difeomórficos creció rápidamente hasta dominar el campo de los métodos de aplicación después del artículo original de Christensen, y se dispuso de métodos rápidos y simétricos. ^{[19] [34]}

Estos métodos son poderosos porque introducen nociones de regularidad de las soluciones para que puedan diferenciarse y calcularse inversas locales. Las desventajas de estos métodos es que no había una propiedad global de mínima acción asociada que pudiera puntuar los flujos de energía mínima. Esto contrasta con los movimientos geodésicos que son centrales para el estudio de la cinemática de cuerpos rígidos y los muchos problemas resueltos en Física a través del principio de mínima acción de Hamilton . En 1998, Dupuis, Grenander y Miller ^[35] establecieron las condiciones para garantizar la existencia de soluciones para la coincidencia de imágenes densas en el espacio de flujos de difeomorfismos. Estas condiciones requieren una acción que penalice la energía cinética medida a través de la norma de Sobolev sobre las derivadas espaciales del flujo de campos vectoriales.

El código de mapeo métrico difeomórfico de gran deformación (LDDMM) que Faisal Beg derivó e implementó para su doctorado en la Universidad Johns Hopkins ^[36] desarrolló el primer código algorítmico que resolvió flujos con puntos fijos que satisfacen las condiciones necesarias para el problema de correspondencia de imágenes densas sujeto a la acción mínima. La anatomía computacional ahora tiene muchos códigos existentes organizados en torno al registro difeomórfico ^[17], incluidos ANTS, ^[18] DARTEL, ^[19] DEMONS, ^[37] LDDMM, ^[2] StationaryLDDMM ^[21] como ejemplos de códigos computacionales utilizados activamente para construir correspondencias entre sistemas de coordenadas basados ​​en imágenes densas.

Estos grandes métodos de deformación se han extendido a puntos de referencia sin registro a través de la correspondencia de medidas, ^[38] curvas, ^[39] superficies, ^[40] imágenes densas de vectores ^[41] y tensores ^[42] y varifolds que eliminan la orientación. ^[43]

El modelo de órbita difeomorfista en anatomía computacional

La forma deformable en la anatomía computacional (CA) ^{[44] [45] [46] [47]} se estudia mediante el uso del mapeo difeomórfico para establecer correspondencias entre coordenadas anatómicas en imágenes médicas. En este contexto, las imágenes médicas tridimensionales se modelan como una deformación aleatoria de algún ejemplar, denominado plantilla , con el conjunto de elementos de imágenes observadas en el modelo de órbita aleatoria de CA para imágenes . La plantilla se mapea sobre el objetivo definiendo un problema variacional en el que la plantilla se transforma a través del difeomorfismo utilizado como un cambio de coordenadas para minimizar una condición de coincidencia de error cuadrático entre la plantilla transformada y el objetivo. ${\displaystyle I_{temp}}$ ${\displaystyle I\in {\mathcal {I}}\doteq \{I=I_{\text{temp}}\circ \varphi ,\varphi \in \operatorname {Diff} _{V}\}}$

Los difeomorfismos se generan a través de flujos suaves , con , satisfaciendo la especificación lagrangiana y euleriana del campo de flujo asociado a la ecuación diferencial ordinaria, ${\displaystyle \varphi _{t},t\in [0,1]}$ ${\displaystyle \varphi \doteq \varphi _{1}}$

${\displaystyle {\frac {d}{dt}}\varphi _{t}=v_{t}\circ \varphi _{t},\ \varphi _{0}={\rm {id}},}$

con los campos vectoriales eulerianos determinando el flujo. Se garantiza que los campos vectoriales sean 1-vez continuamente diferenciables al modelarlos para que estén en un espacio de Hilbert suave que admita una derivada 1-continua. ^[48] La inversa está definida por el campo vectorial euleriano con flujo dado por ${\displaystyle v_{t},t\in [0,1]}$ ${\displaystyle v_{t}\in C^{1}}$ ${\displaystyle v\in V}$ ${\displaystyle \varphi _{t}^{-1},t\in [0,1]}$

Para asegurar flujos suaves de difeomorfismos con inversa, los campos vectoriales con componentes en deben ser al menos 1 vez continuamente diferenciables en el espacio ^{[49] [50]} que se modelan como elementos del espacio de Hilbert utilizando los teoremas de incrustación de Sobolev de modo que cada elemento tenga derivadas débiles integrables al cuadrado 3 veces. Por lo tanto, se incrusta suavemente en funciones 1 vez continuamente diferenciables. ^{[37] [50]} El grupo de difeomorfismos son flujos con campos vectoriales absolutamente integrables en la norma de Sobolev ${\displaystyle {\mathbb {R} }^{3}}$ ${\displaystyle (V,\|\cdot \|_{V})}$ ${\displaystyle v_{i}\in H_{0}^{3},i=1,2,3,}$ ${\displaystyle (V,\|\cdot \|_{V})}$

El problema variacional de la correspondencia de imágenes densas y la correspondencia de puntos de referencia dispersos

Algoritmo LDDMM para la correspondencia de imágenes densas

En CA, el espacio de los campos vectoriales se modela como un espacio de Hilbert de núcleo reproductor (RKHS) definido por un operador diferencial 1-1 que determina la norma donde la integral se calcula por integración por partes cuando es una función generalizada en el espacio dual . El operador diferencial se selecciona de modo que el núcleo de Green, el inverso del operador, sea continuamente diferenciable en cada variable, lo que implica que los campos vectoriales admiten una derivada 1-continua ; consulte ^[48] para conocer las condiciones necesarias sobre la norma para la existencia de soluciones. ${\displaystyle (V,\|\cdot \|_{V})}$ ${\displaystyle A:V\rightarrow V^{*}}$ ${\displaystyle \|v\|_{V}^{2}\doteq \int _{R^{3}}Av\cdot v\,dx,\ v\in V\ ,}$ ${\displaystyle Av}$ ${\displaystyle V^{*}}$

Los algoritmos originales de mapeo métrico difeomórfico de gran deformación (LDDMM) de Beg, Miller, Trouve, Younes ^[51] se derivaron tomando variaciones con respecto a la parametrización del campo vectorial del grupo, ya que están en espacios vectoriales. Beg resolvió la coincidencia de imagen densa minimizando la integral de acción de la energía cinética del flujo difeomórfico mientras minimizaba el término de coincidencia de punto final de acuerdo con ${\displaystyle v={\dot {\phi }}\circ \phi ^{-1}}$

• Algoritmo iterativo de Beg para la comparación de imágenes densas

Actualizar hasta la convergencia, cada iteración, con : ${\displaystyle \phi _{t}^{old}\leftarrow \phi _{t}^{new}}$ ${\displaystyle \phi _{t1}\doteq \phi _{1}\circ \phi _{t}^{-1}}$

Esto implica que el punto fijo en satisface ${\displaystyle t=0}$

${\displaystyle \mu _{0}^{*}=Av_{0}^{*}=(I-J\circ \phi _{1}^{*})\nabla I|D\phi _{1}^{*}|}$,

lo que a su vez implica que satisface la ecuación de conservación dada por la condición de coincidencia de puntos finales de acuerdo con

${\displaystyle Av_{t}^{*}=(D\phi _{t}^{*-1})^{T}Av_{0}^{*}\circ \phi _{t}^{*-1}|D\phi _{t}^{*-1}|}$

^{[52] [53]}

Coincidencia de puntos de referencia registrados en LDDMM

El problema de coincidencia de puntos de referencia tiene una correspondencia puntual que define la condición del punto final con geodésicas dadas por el siguiente mínimo:

${\displaystyle \min _{v:{\dot {\phi }}_{t}=v_{t}\circ \phi _{t}}C(v)\doteq {\frac {1}{2}}\int _{0}^{1}\int _{R^{3}}Av_{t}\cdot v_{t}dxdt+{\frac {1}{2}}\sum _{i}(\phi _{1}(x_{i})-y_{i})\cdot (\phi _{1}(x_{i})-y_{i})}$;

La figura muestra la correspondencia de imágenes densas LDMM. La fila superior muestra el transporte de la imagen bajo el flujo ; la fila del medio muestra la secuencia de campos vectoriales t=0,1/5,2/5,3/5,4/5,1; la fila inferior muestra la secuencia de cuadrículas bajo ${\displaystyle I\circ \phi _{t}^{-1}}$ ${\displaystyle v_{t},}$ ${\displaystyle \phi _{t}.}$

• Algoritmo iterativo para la comparación de puntos de referencia

Joshi definió originalmente el problema de coincidencia de puntos de referencia registrados. ^[3] Actualizar hasta la convergencia, en cada iteración, con : ${\displaystyle \phi _{t}^{old}\leftarrow \phi _{t}^{new}}$ ${\displaystyle \phi _{t1}\doteq \phi _{1}\circ \phi _{t}^{-1}}$

Esto implica que el punto fijo satisface

${\displaystyle Av_{0}=-\sum _{i}(D\phi _{1})(x_{i})^{T}(y_{i}-\phi _{1}(x_{i}))\delta _{x_{i}}}$

con

${\displaystyle Av_{t}=-\sum _{i}(D\phi _{t1})^{T}|_{\phi _{t}(x_{i})}(y_{i}-\phi _{1}(x_{i}))\delta _{\phi _{t}(x_{i})}}$.

Variaciones para la coincidencia de imágenes densas y puntos de referencia de LDDMM

El cálculo de variaciones se utilizó en Beg ^{[49] [53]} para derivar el algoritmo iterativo como una solución que cuando converge satisface las condiciones de maximización necesarias dadas por las condiciones necesarias para una variación de primer orden que requiere la variación del punto final con respecto a una variación de primer orden del campo vectorial. La derivada direccional calcula la derivada de Gateaux como se calculó en el artículo original de Beg ^[49] y. ^{[54] [55]}

Variación de primer orden del flujo y del campo vectorial para la correspondencia de imágenes densas y puntos de referencia

La variación de primer orden en los campos vectoriales requiere la variación de generaliza la perturbación matricial de la inversa mediante . Para expresar la variación en términos de , utilice la solución del corchete de Lie que da ${\displaystyle v+\epsilon \delta v}$ ${\displaystyle \phi ^{-1}}$ ${\displaystyle (\phi +\epsilon \delta \phi \circ \phi )\circ (\phi ^{-1}+\epsilon \delta \phi ^{-1}\circ \phi ^{-1})=id+o(\epsilon )}$ ${\displaystyle \delta \phi ^{-1}\circ \phi ^{-1}=-(D\phi _{1}^{-1})\delta \phi }$ ${\displaystyle \delta v}$ ${\displaystyle {\frac {d}{dt}}\left(\delta \phi _{|\phi }\right)=(Dv)_{|\phi }\delta \phi _{|\phi }+\delta v_{|\phi }}$

${\displaystyle \delta \phi _{1}=(D\phi _{1})_{|\phi _{1}^{-1}}\int _{0}^{1}(D\phi _{t})_{|\phi _{1}^{-1}}^{-1}(\delta v_{t})_{\phi _{t}\circ \phi _{1}^{-1}}dt}$

• Coincidencia de imágenes:

Tomando la derivada direccional de la condición del punto final de la imagen se obtiene ${\displaystyle E(\phi )=\int _{X}|I\circ \phi ^{-1}-J|^{2}dx}$

${\displaystyle {\frac {d}{d\epsilon }}{\frac {1}{2}}\int _{X}|I\circ (\phi ^{-1}+\epsilon \delta \phi ^{-1}\circ \phi ^{-1})-J|^{2}dx|_{\epsilon =0}=\int _{X}(I\circ \phi ^{-1}-J)\nabla I|_{\phi ^{-1}}\delta \phi ^{-1}\circ \phi ^{-1}dx}$ ${\displaystyle =\int _{X}(I\circ \phi ^{-1}-J)\nabla I|_{\phi ^{-1}}(-D\phi _{1}^{-1})\delta \phi dx}$

${\displaystyle =\int _{X}(I\circ \phi _{1}^{-1}-J)\nabla I|_{\phi _{1}^{-1}}(-D\phi _{1})_{|\phi _{1}^{-1}}^{-1}(D\phi _{1})_{|\phi _{1}^{-1}})\int _{0}^{1}(D\phi _{t})_{|\phi _{1}^{-1}}^{-1}(\delta v_{t})_{|{\phi _{t}\circ \phi _{1}^{-1}}}dtdx}$.

Sustituyendo obtenemos la condición necesaria para un óptimo: ${\displaystyle \phi _{t1}\doteq \phi _{1}\circ \phi _{t}^{-1}}$

${\displaystyle {\begin{aligned}{\frac {d}{d\epsilon }}C(v+\epsilon \delta v)|_{\epsilon =0}&=\int _{0}^{1}\int _{X}Av_{t}\cdot \delta v_{t}\ dx\ dt-\int _{0}^{1}\int _{X}(I\circ \phi _{1}^{-1}-J)\nabla I|_{\phi _{1}^{-1}}(D\phi _{t})_{|\phi _{1}^{-1}}^{-1}(\delta v_{t})_{|{\phi _{t}\circ \phi _{1}^{-1}}}\ dx\,dt\\&=\int _{0}^{1}\int _{X}\left(Av_{t}-(I\circ \phi _{t}^{-1}-J\circ \phi _{t1})\nabla I|_{\phi _{t}^{-1}}(D\phi _{t})_{|\phi _{t}^{-1}}^{-1}|D\phi _{t1}|\right)\cdot \delta v_{t}\ dx\,dt\\&=0\end{aligned}}}$.

• Coincidencia de puntos de referencia:

Tome la variación en los campos vectoriales de utilice la regla de la cadena para la perturbación para obtener la primera variación ${\displaystyle v+\epsilon \delta v}$ ${\displaystyle {\frac {1}{2}}\sum _{i}|\phi _{1}(x_{i})-y_{i})|^{2}}$ ${\displaystyle \delta \phi \circ \phi }$

${\displaystyle \sum _{i}(\phi _{1}(x_{i})-y_{i})\cdot D\phi _{1}|_{\phi _{1}^{-1}(\phi _{1}(x_{i}))}\int _{0}^{1}(D\phi _{t})_{|\phi _{1}^{-1}(\phi _{1}(x_{i}))}^{-1}\delta v_{t}|_{\phi _{t}\circ \phi _{1}^{-1}(\phi _{1}(x_{i}))}dt}$

${\displaystyle =\int _{0}^{1}\int _{X}\sum _{i}\delta _{\phi _{t}(x_{i})}(x)(\phi _{1}(x_{i})-y_{i})\cdot (D\phi _{1})_{\phi _{t}^{-1}(x)}(D\phi _{t})_{\phi _{t}^{-1}(x)}^{-1}\delta v_{t}(x)dxdt=\int _{0}^{1}\int _{X}\sum _{i}\delta _{\phi _{t}(x_{i})}(y)(D\phi _{t1})_{\phi _{t}(x_{i})}^{T}(\phi _{1}(x_{i})-y_{i})\cdot \delta v_{t}(x)dxdt}$

Coincidencia de imágenes del tensor de difusión LDDMM

La correspondencia LDDMM basada en el vector propio principal de la matriz del tensor de difusión toma la imagen como un campo vectorial unitario definido por el primer vector propio. ^[41] La acción del grupo se convierte en ${\displaystyle I(x),x\in {\mathbb {R} }^{3}}$

${\displaystyle \varphi \cdot I={\begin{cases}{\frac {D_{\varphi ^{-1}}\varphi I\circ \varphi ^{-1}\|I\circ \varphi ^{-1}\|}{\|D_{\varphi ^{-1}}\varphi I\circ \varphi ^{-1}\|}}&I\circ \varphi \neq 0,\\0&{\text{otherwise.}}\end{cases}}}$

donde esto denota la norma del error al cuadrado de la imagen. ${\displaystyle \|\cdot \|}$

La correspondencia LDDMM basada en toda la matriz tensorial ^[56] tiene vectores propios transformados por acción de grupo ${\displaystyle \varphi \cdot M=(\lambda _{1}{\hat {e}}_{1}{\hat {e}}_{1}^{T}+\lambda _{2}{\hat {e}}_{2}{\hat {e}}_{2}^{T}+\lambda _{3}{\hat {e}}_{3}{\hat {e}}_{3}^{T})\circ \varphi ^{-1},}$

${\displaystyle {\begin{aligned}{\hat {e}}_{1}&={\frac {D\varphi e_{1}}{\|D\varphi e_{1}\|}}\ ,\ \ \ {\hat {e}}_{2}={\frac {D\varphi e_{2}-\langle {\hat {e}}_{1},D\varphi e_{2}\rangle {\hat {e}}_{1}}{\sqrt {\|D\varphi e_{2}\|^{2}-\langle {\hat {e}}_{1},D\varphi e_{2}\rangle ^{2}}}}\ ,\ \ \ {\hat {e}}_{3}={\hat {e}}_{1}\times {\hat {e}}_{2}\end{aligned}}}$.

Problema de coincidencia densa sobre el vector propio principal de DTI

El problema variacional de la correspondencia de imágenes vectoriales con puntos finales ${\displaystyle I^{\prime }(x),x\in {\mathbb {R} }^{3}}$

${\displaystyle E(\phi _{1})\doteq \alpha \int _{{\mathbb {R} }^{3}}\|\phi _{1}\cdot I-I^{\prime }\|^{2}\,dx+\beta \int _{{\mathbb {R} }^{3}}(\|\phi _{1}\cdot I\|-\|I^{\prime }\|)^{2}\,dx).}$

se convierte en

${\displaystyle \min _{v:{\dot {\phi }}\circ \phi ^{-1}}{\frac {1}{2}}\int _{0}^{1}\int _{R^{3}}Av_{t}\cdot v_{t}dxdt+\alpha \int _{{\mathbb {R} }^{3}}\|\phi _{1}\cdot I-I^{\prime }\|^{2}\,dx+\beta \int _{{\mathbb {R} }^{3}}(\|\phi _{1}\cdot I\|-\|I^{\prime }\|)^{2}\,dx\ .}$

Problema de coincidencia densa en la MATRIZ DTI

El problema variacional de la correspondencia entre: con punto final ${\displaystyle M^{\prime }(x),x\in {\mathbb {R} }^{3}}$

${\displaystyle E(\phi _{1})\doteq \int _{{\mathbb {R} }^{3}}\|\phi _{1}\cdot M(x)-M^{\prime }(x)\|_{F}^{2}dx}$

con la norma de Frobenius, dando un problema variacional ${\displaystyle \|\cdot \|_{F}}$

LDDMM-ODF

La difusión de imágenes de alta resolución angular (HARDI) aborda la limitación bien conocida de la DTI, es decir, la DTI solo puede revelar una orientación dominante de la fibra en cada ubicación. HARDI mide la difusión a lo largo de direcciones distribuidas uniformemente en la esfera y puede caracterizar geometrías de fibra más complejas mediante la reconstrucción de una función de distribución de orientación (ODF) que caracteriza el perfil angular de la función de densidad de probabilidad de difusión de las moléculas de agua. La ODF es una función definida en una esfera unitaria, . ^[57] Denote la raíz cuadrada de la ODF ( ) como , donde no es negativo para garantizar la unicidad y . La métrica define la distancia entre dos funciones como ${\displaystyle n}$ ${\displaystyle {\mathbb {S} }^{2}}$ ${\displaystyle {\sqrt {\text{ODF}}}}$ ${\displaystyle \psi ({\bf {s}})}$ ${\displaystyle \psi ({\bf {s}})}$ ${\displaystyle \int _{{\bf {s}}\in {\mathbb {S} }^{2}}\psi ^{2}({\bf {s}})d{\bf {s}}=1}$ ${\displaystyle {\sqrt {\text{ODF}}}}$ ${\displaystyle \psi _{1},\psi _{2}\in \Psi }$

${\displaystyle {\begin{aligned}\rho (\psi _{1},\psi _{2})=\|\log _{\psi _{1}}(\psi _{2})\|_{\psi _{1}}=\cos ^{-1}\langle \psi _{1},\psi _{2}\rangle =\cos ^{-1}\left(\int _{{\bf {s}}\in {\mathbb {S} }^{2}}\psi _{1}({\bf {s}})\psi _{2}({\bf {s}})d{\bf {s}}\right),\end{aligned}}}$

donde es el producto escalar normal entre puntos en la esfera bajo la métrica. La plantilla y el objetivo se denotan como , , indexados a lo largo de la esfera unitaria y el dominio de la imagen, con el objetivo indexado de manera similar. ${\displaystyle \langle \cdot ,\cdot \rangle }$ ${\displaystyle \mathrm {L} ^{2}}$ ${\displaystyle \psi _{\mathrm {temp} }({\bf {s}},x)}$ ${\displaystyle \psi _{\mathrm {targ} }({\bf {s}},x)}$ ${\displaystyle {\bf {s}}\in {{\mathbb {S} }^{2}}}$ ${\displaystyle x\in X}$

Defina el problema variacional suponiendo que dos volúmenes de ODF pueden generarse de uno a otro mediante flujos de difeomorfismos , que son soluciones de ecuaciones diferenciales ordinarias . La acción de grupo del difeomorfismo sobre la plantilla se da de acuerdo con , donde es el jacobiano del ODF transformado afín y se define como ${\displaystyle \phi _{t}}$ ${\displaystyle {\dot {\phi }}_{t}=v_{t}(\phi _{t}),t\in [0,1],\phi _{0}={id}}$ ${\displaystyle \phi _{1}\cdot \psi (x)\doteq (D\phi _{1})\psi \circ \phi _{1}^{-1}(x),x\in X}$ ${\displaystyle (D\phi _{1})}$

${\displaystyle {\begin{aligned}(D\phi _{1})\psi \circ \phi _{1}^{-1}(x)={\sqrt {\frac {\det {{\bigl (}D_{\phi _{1}^{-1}}\phi _{1}{\bigr )}^{-1}}}{\left\|{{\bigl (}D_{\phi _{1}^{-1}}\phi _{1}{\bigr )}^{-1}}{\bf {s}}\right\|^{3}}}}\quad \psi \left({\frac {(D_{\phi _{1}^{-1}}\phi _{1}{\bigr )}^{-1}{\bf {s}}}{\|(D_{\phi _{1}^{-1}}\phi _{1}{\bigr )}^{-1}{\bf {s}}\|}},\phi _{1}^{-1}(x)\right).\end{aligned}}}$

El problema variacional LDDMM se define como

${\displaystyle {\begin{aligned}\min _{v:{\dot {\phi }}_{t}=v_{t}\circ \phi _{t},\phi _{0}={id}}\int _{0}^{1}\int _{R^{3}}Av_{t}\cdot v_{t}dx\ dt+\lambda \int _{R^{3}}\|\log _{(D\phi _{1})\psi _{\mathrm {temp} }\circ \phi _{1}^{-1}(x)}(\psi _{\mathrm {targ} }(x))\|_{(D\phi _{1})\psi _{\mathrm {temp} }\circ \phi _{1}^{-1}(x)}^{2}dx\end{aligned}}}$.

LDDMM hamiltoniano para correspondencia de imágenes densas

Beg resolvió los primeros algoritmos LDDMM resolviendo el emparejamiento variacional tomando variaciones con respecto a los campos vectoriales. ^[58] Otra solución de Vialard, ^[59] reparametriza el problema de optimización en términos del estado , para la imagen , con la ecuación de dinámica controlando el estado por el control dado en términos de la ecuación de advección según . El término de emparejamiento de punto final da el problema variacional: ${\displaystyle q_{t}\doteq I\circ \phi _{t}^{-1},q_{0}=I}$ ${\displaystyle I(x),x\in X=R^{3}}$ ${\displaystyle {\dot {q}}_{t}=-\nabla q_{t}\cdot v_{t}}$ ${\displaystyle E(q_{1})\doteq {\frac {1}{2}}\|q_{1}-J\|^{2}}$

Prueba de la dinámica hamiltoniana

La dinámica hamiltoniana con estado advectivo y dinámica de control , con hamiltoniano extendido da el problema variacional ^[53] ${\displaystyle q_{t}=I\circ \phi _{t}^{-1}}$ ${\displaystyle {\dot {q}}=-\nabla q\cdot v}$ ${\displaystyle H(q,p,v)=(p|-\nabla q\cdot v)-{\frac {1}{2}}(Av|v)}$

${\displaystyle \min _{p,q,v}C(p,q,v)\doteq (p|{\dot {q}})-\left((p|-\nabla q\cdot v)-{\frac {1}{2}}(Av|v)\right)+E(q_{1})=(p|{\dot {q}})-H(p,q,v)+E(q_{1})\ .}$

La primera variación da la condición en el campo vectorial optimizador , con la condición del punto final y la dinámica en los multiplicadores de Lagrange determinados por las condiciones de la derivada de Gatteux y el estado . ${\displaystyle Av=-p\nabla q}$ ${\displaystyle p_{1}=-{\frac {\partial E}{\partial q}}(q_{1})}$ ${\displaystyle (-{\dot {p}}-\nabla \cdot (pv)|\delta q))=0}$ ${\displaystyle (\delta p|{\dot {q}}+\nabla q\cdot v)=0}$

Software para mapeo difeomórfico

Los paquetes de software que contienen una variedad de algoritmos de mapeo difeomórfico incluyen los siguientes:

• Deformétrica ^[60]
• HORMIGAS ^[18]
• DARTEL ^[61] Morfometría basada en vóxeles (VBM)
• DEMONIOS ^[62]
• LDMM ^[2]
• LDDMM estacionario ^[21]

Software en la nube

• Nube de resonancia magnética ^[63]

Véase también

• Anatomía computacional § Coincidencia de imágenes densas en anatomía computacional
• Métrica de Riemann y corchete de Lie en anatomía computacional
• Modelo bayesiano de anatomía computacional

Referencias

1. MF Beg; MI Miller; A. Trouve; L. Younes (2005). "Computing Large Deformation Metric Mappings via Geodesic Flows of Diffeomorphisms" (Cálculo de asignaciones métricas de deformación a gran escala mediante flujos geodésicos de difeomorfismos). International Journal of Computer Vision (Revista internacional de visión por computadora ). 61 (2): 139–157. doi :10.1023/B:VISI.0000043755.93987.aa. S2CID :  17772076. Consultado el 27 de enero de 2016 .
2. "NITRC: LDDMM: Información sobre herramientas y recursos". www.nitrc.org . Consultado el 11 de diciembre de 2015 .
3. Joshi, SC; Miller, MI (1 de enero de 2000). "Coincidencia de puntos de referencia mediante difeomorfismos de deformación de gran tamaño". IEEE Transactions on Image Processing . 9 (8): 1357–1370. Bibcode :2000ITIP....9.1357J. doi :10.1109/83.855431. ISSN  1057-7149. PMID  18262973. S2CID  6659707.
4. Scherzer, Otmar (23 de noviembre de 2010). Manual de métodos matemáticos en imágenes. Springer Science & Business Media. ISBN 9780387929194.
5. Glaunes, J.; Trouve, A.; Younes, L. (1 de junio de 2004). "Coincidencia difeomórfica de distribuciones: un nuevo enfoque para la coincidencia de subvariedades y conjuntos de puntos no etiquetados". Actas de la Conferencia de la IEEE Computer Society de 2004 sobre visión artificial y reconocimiento de patrones, 2004. CVPR 2004. Vol. 2. págs. II–712–II–718 Vol.2. CiteSeerX 10.1.1.158.4209 . doi :10.1109/CVPR.2004.1315234. ISBN .  978-0-7695-2158-9.
6. Glaunès, Joan; Vaillant, Marc; Miller, Michael I (2004). "Landmark Matching via Large Deformation Diffeomorphisms on the Sphere: Special Issue on Mathematics and Image Analysis". Revista de imágenes y visión matemática . 20 : 179–200. doi :10.1023/B:JMIV.0000011326.88682.e5. S2CID  21324161 . Consultado el 27 de marzo de 2016 .
7. Du, Jia; Younes, Laurent; Qiu, Anqi (1 de mayo de 2011). "Mapeo métrico difeomórfico de todo el cerebro a través de la integración de curvas sulcales y gyral, superficies corticales e imágenes". NeuroImage . 56 (1): 162–173. doi :10.1016/j.neuroimage.2011.01.067. ISSN  1053-8119. PMC 3119076 . PMID  21281722. 
8. Vaillant, Marc; Glaunès, Joan (1 de enero de 2005). "Coincidencia de superficies mediante corrientes". Procesamiento de la información en imágenes médicas . Apuntes de clase en informática. Vol. 19. págs. 381–392. doi :10.1007/11505730_32. ISBN 978-3-540-26545-0. ISSN  1011-2499. PMID  17354711. S2CID  5103312. {{cite book}}: |journal=ignorado ( ayuda )
9. Vaillant, Marc; Qiu, Anqi; Glaunès, Joan; Miller, Michael I. (1 de febrero de 2007). "Mapeo de superficies métricas difeomórficas en el giro temporal superior". NeuroImage . 34 (3): 1149–1159. doi :10.1016/j.neuroimage.2006.08.053. ISSN  1053-8119. PMC 3140704 . PMID  17185000. 
10. Durrleman, Stanley; Pennec, Xavier; Trouvé, Alain; Ayache, Nicholas (1 de octubre de 2009). "Modelos estadísticos de conjuntos de curvas y superficies basados ​​en corrientes". Análisis de imágenes médicas . 13 (5): 793–808. CiteSeerX 10.1.1.221.5224 . doi :10.1016/j.media.2009.07.007. ISSN  1361-8423. PMID  19679507. 
11. Cao, Yan; Miller, Michael I.; Mori, Susumu; Winslow, Raimond L.; Younes, Laurent (5 de julio de 2006). "Coincidencia difeomórfica de imágenes de tensor de difusión". Taller de la Conferencia de 2006 sobre visión artificial y reconocimiento de patrones (CVPRW'06) . Vol. 2006. pág. 67. doi :10.1109/CVPRW.2006.65. ISBN 978-0-7695-2646-1. ISSN  1063-6919. PMC  2920614. PMID  20711423 .
12. Charon, Nicolas; Trouvé, Alain (2013). "La representación varifold de formas no orientadas para el registro difeomórfico". Revista SIAM de Ciencias de la Imagen . 6 (4): 2547–2580. arXiv : 1304.6108 . Bibcode :2013arXiv1304.6108C. doi :10.1137/130918885. ISSN  1936-4954. S2CID  14335966.
13. Miller, Michael I. (1 de enero de 2004). "Anatomía computacional: comparación de forma, crecimiento y atrofia mediante difeomorfismos". NeuroImage . 23 (Supl 1): S19–33. CiteSeerX 10.1.1.121.4222 . doi :10.1016/j.neuroimage.2004.07.021. ISSN  1053-8119. PMID  15501089. S2CID  13365411. 
14. Trouvé, Alain; Vialard, François-Xavier (1 de mayo de 2012). "Shape splines and stochastic shape evolutions: A second order point of view" (Splines de forma y evoluciones estocásticas de forma: un punto de vista de segundo orden). Quarterly of Applied Mathematics (Cuatrimestral de Matemáticas Aplicadas ). 70 (2): 219–251. arXiv : 1003.3895 . Bibcode :2010arXiv1003.3895T. doi :10.1090/S0033-569X-2012-01250-4. JSTOR  43639026. S2CID  96421820.
15. Fletcher, PT; Lu, C.; Pizer, SM; Joshi, S. (1 de agosto de 2004). "Análisis geodésico principal para el estudio de estadísticas no lineales de forma". IEEE Transactions on Medical Imaging . 23 (8): 995–1005. CiteSeerX 10.1.1.76.539 . doi :10.1109/TMI.2004.831793. ISSN  0278-0062. PMID  15338733. S2CID  620015. 
16. "Mapeo métrico difeomórfico de deformaciones grandes (LDDMM) | Red de investigación en informática biomédica (BIRN)" www.birncommunity.org . Consultado el 11 de marzo de 2016 .
17. Christensen, GE; Rabbitt, RD; Miller, MI (1996-10-01). "Plantillas deformables que utilizan cinemática de deformación grande". IEEE Transactions on Image Processing . 5 (10): 1435–1447. Bibcode :1996ITIP....5.1435C. doi :10.1109/83.536892. ISSN  1057-7149. PMID  18290061.
18. "stnava/ANTs". GitHub . Consultado el 11 de diciembre de 2015 .
19. Ashburner, John (15 de octubre de 2007). "Un algoritmo rápido de registro de imágenes difeomórficas". NeuroImage . 38 (1): 95–113. doi :10.1016/j.neuroimage.2007.07.007. ISSN  1053-8119. PMID  17761438. S2CID  545830.
20. "Software: Tom Vercauteren". sitios.google.com . Consultado el 16 de abril de 2016 .
21. "Publicación: Comparación de algoritmos para el registro difeomórfico: LDDMM estacionario y demonios difeomórficos". www.openaire.eu . Archivado desde el original el 16 de febrero de 2016 . Consultado el 11 de diciembre de 2015 .
22. Zhang, Miaomiao; Fletcher, P. Thomas (2015). "Álgebras de Lie de dimensión finita para el registro rápido de imágenes difeomórficas". Procesamiento de la información en imágenes médicas . Apuntes de clase en informática. Vol. 24. págs. 249–259. doi :10.1007/978-3-319-19992-4_19. ISBN 978-3-319-19991-7. ISSN  1011-2499. PMID  26221678. S2CID  10334673.
23. Zhang, Miaomiao; Liao, Ruizhi; Dalca, Adrian V.; Turk, Esra A.; Luo, Jie; Grant, P. Ellen; Golland, Polina (25 de junio de 2017). "Difeomorfismos de frecuencia para un registro de imágenes eficiente". Procesamiento de la información en imágenes médicas . Apuntes de clase en informática. Vol. 10265. págs. 559–570. doi :10.1007/978-3-319-59050-9_44. ISBN 9783319590493. PMC  5788203 . PMID  29391767.
24. Bajcsy, Ruzena; Kovačič, Stane (1989-04-01). "Multiresolution Elastic Matching". Comput. Vision Graph. Image Process . 46 (1): 1–21. doi :10.1016/S0734-189X(89)80014-3. ISSN  0734-189X.
25. Grenander, Ulf; Chow, Yun-shyong; Keenan, Daniel MacRae (1 de enero de 1991). Manos: un estudio teórico de patrones de formas biológicas. Springer-Verlag. ISBN 9780387973869.
26. Amit, Yali; Grenander, Ulf; Piccioni, Mauro (1 de enero de 1991). "Restauración de imágenes estructurales mediante plantillas deformables". Revista de la Asociación Estadounidense de Estadística . 86 (414): 376–387. doi :10.2307/2290581. JSTOR  2290581.
27. Gee, James C.; Reivich, Martin; Bilaniuk, L.; Hackney, David; Zimmerman, R.; Kovacic, Stanislav; Bajcsy, Ruzena K. (1 de enero de 1991). Loew, Murray H. (ed.). "Evaluación de la correspondencia elástica multirresolución utilizando datos de MRI". Medical Imaging V: Image Processing . 1445 : 226–234. Bibcode :1991SPIE.1445..226G. doi :10.1117/12.45220. S2CID  62540002.
28. Gee, JC; Reivich, M.; Bajcsy, R. (1 de abril de 1993). "Atlas tridimensional deformable elásticamente para que coincida con imágenes anatómicas del cerebro". Revista de tomografía asistida por computadora . 17 (2): 225–236. doi :10.1097/00004728-199303000-00011. ISSN  0363-8715. PMID  8454749. S2CID  25781937.
29. Miller, MI; Christensen, GE; Amit, Y; Grenander, U (15 de diciembre de 1993). "Libro de texto matemático de neuroanatomías deformables". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 90 (24): 11944–11948. Bibcode :1993PNAS...9011944M. doi : 10.1073/pnas.90.24.11944 . ISSN  0027-8424. PMC 48101 . PMID  8265653. 
30. Maintz, JB; Viergever, MA (1998-03-01). "Una encuesta sobre el registro de imágenes médicas". Análisis de imágenes médicas . 2 (1): 1–36. CiteSeerX 10.1.1.46.4959 . doi :10.1016/s1361-8415(01)80026-8. ISSN  1361-8415. PMID  10638851. 
31. Rabbitt, Richard D.; Weiss, Jeffrey A.; Christensen, Gary E.; Miller, Michael I. (1 de enero de 1995). Melter, Robert A.; Wu, Angela Y.; Bookstein, Fred L.; Green, William DK (eds.). "Mapeo de plantillas deformables hiperelásticas utilizando el método de elementos finitos". Vision Geometry IV . 2573 : 252–265. Código Bibliográfico :1995SPIE.2573..252R. doi :10.1117/12.216419. S2CID  63135203.
32. Christensen, GE; Rabbitt, RD; Miller, MI (1994-03-01). "Mapeo cerebral en 3D utilizando una neuroanatomía deformable". Física en Medicina y Biología . 39 (3): 609–618. Bibcode :1994PMB....39..609C. CiteSeerX 10.1.1.46.1833 . doi :10.1088/0031-9155/39/3/022. ISSN  0031-9155. PMID  15551602. S2CID  250809709. 
33. Trouvé, Alain (1998-07-01). "Grupos de difeomorfismos y correspondencia de patrones en el análisis de imágenes". Revista internacional de visión por computadora . 28 (3): 213–221. doi :10.1023/A:1008001603737. ISSN  0920-5691. S2CID  8322028.
34. Avants, BB; Epstein, CL; Grossman, M.; Gee, JC (1 de febrero de 2008). "Registro de imágenes difeomórficas simétricas con correlación cruzada: evaluación del etiquetado automatizado del cerebro de ancianos y neurodegenerativo". Análisis de imágenes médicas . 12 (1): 26–41. doi :10.1016/j.media.2007.06.004. ISSN  1361-8423. PMC 2276735 . PMID  17659998. 
35. Dupuis, Paul; Grenander, Ulf (1998-09-01). "Problemas variacionales en flujos de difeomorfismos para correspondencia de imágenes". Q. Appl. Math . LVI (3): 587–600. doi : 10.1090/qam/1632326 . ISSN  0033-569X.
36. Beg, M. Faisal; Miller, Michael I.; Trouvé, Alain; Younes, Laurent (1 de febrero de 2005). "Cálculo de asignaciones métricas de deformación a gran escala mediante flujos geodésicos de difeomorfismos". Revista internacional de visión artificial . 61 (2): 139–157. doi :10.1023/B:VISI.0000043755.93987.aa. ISSN  0920-5691. S2CID  17772076.
37. "Software: Tom Vercauteren". sitios.google.com . Consultado el 11 de diciembre de 2015 .
38. Glaunes, J; Trouve, A; Younes, L (2004). "Coincidencia difeomórfica de distribuciones: un nuevo enfoque para la coincidencia de subvariedades y conjuntos de puntos no etiquetados". Actas de la Conferencia de la IEEE Computer Society de 2004 sobre visión artificial y reconocimiento de patrones, 2004. CVPR 2004. Vol. 2. págs. 712–718. CiteSeerX 10.1.1.158.4209 . doi :10.1109/CVPR.2004.1315234. ISBN.  978-0-7695-2158-9. Recuperado el 25 de noviembre de 2015 .
39. Glaunès, Joan; Qiu, Anqi; Miller, Michael I.; Younes, Laurent (1 de diciembre de 2008). "Mapeo de curvas métricas difeomórficas de gran deformación". Revista internacional de visión por computadora . 80 (3): 317–336. doi :10.1007/s11263-008-0141-9. ISSN  0920-5691. PMC 2858418 . PMID  20419045. 
40. Vaillant, Marc; Glaunès, Joan (1 de enero de 2005). "Coincidencia de superficies mediante corrientes". Procesamiento de la información en imágenes médicas . Apuntes de clase en informática. Vol. 19. págs. 381–392. CiteSeerX 10.1.1.88.4666 . doi :10.1007/11505730_32. ISBN.  978-3-540-26545-0. Número de identificación personal  17354711. {{cite book}}: |journal=ignorado ( ayuda )
41. Cao, Yan; Miller, MI; Winslow, RL; Younes, L. (1 de octubre de 2005). "Mapeo métrico difeomórfico de grandes deformaciones de orientaciones de fibras". Décima Conferencia Internacional IEEE sobre Visión por Computador (ICCV'05) Volumen 1. Vol. 2. págs. 1379–1386 Vol. 2. CiteSeerX 10.1.1.158.1582 . doi :10.1109/ICCV.2005.132. ISBN  978-0-7695-2334-7. Número de identificación del sujeto  13019795.
42. Cao, Yan; Miller, MI; Winslow, RL; Younes, L. (1 de septiembre de 2005). "Mapeo métrico difeomórfico de deformación grande de campos vectoriales". IEEE Transactions on Medical Imaging . 24 (9): 1216–1230. CiteSeerX 10.1.1.157.8377 . doi :10.1109/TMI.2005.853923. ISSN  0278-0062. PMC 2848689 . PMID  16156359. S2CID  7046743.  
43. Charon, N.; Trouvé, A. (1 de enero de 2013). "La representación varifold de formas no orientadas para el registro difeomórfico". Revista SIAM sobre ciencias de la imagen . 6 (4): 2547–2580. arXiv : 1304.6108 . Código Bibliográfico :2013arXiv1304.6108C. doi :10.1137/130918885. S2CID  14335966.
44. Miller, Michael; Banerjee, Ayananshu; Christensen, Gary; Joshi, Sarang; Khaneja, Navin; Grenander, Ulf; Matejic, Larissa (1997-06-01). "Métodos estadísticos en anatomía computacional". Métodos estadísticos en investigación médica . 6 (3): 267–299. doi :10.1177/096228029700600305. ISSN  0962-2802. PMID  9339500. S2CID  35247542.
45. Grenander, Ulf; Miller, Michael I. (1 de diciembre de 1998). "Anatomía computacional: una disciplina emergente". Quarterly of Applied Mathematics . 56 (4): 617–694. doi : 10.1090/qam/1668732 .
46. Miller, Michael I.; Trouvé, Alain; Younes, Laurent (1 de enero de 2002). "Sobre las métricas y las ecuaciones de Euler-Lagrange de la anatomía computacional". Revisión anual de ingeniería biomédica . 4 (1): 375–405. CiteSeerX 10.1.1.157.6533 . doi :10.1146/annurev.bioeng.4.092101.125733. PMID  12117763. 
47. Miller, Michael I.; Qiu, Anqi (1 de marzo de 2009). "La disciplina emergente de la anatomía funcional computacional". NeuroImage . 45 (1 Suppl): S16–39. doi :10.1016/j.neuroimage.2008.10.044. ISSN  1095-9572. PMC 2839904 . PMID  19103297. 
48. Dupuis, Paul; Grenander, Ulf; Miller, Michael I. (1 de septiembre de 1998). "Problemas variacionales sobre flujos de difeomorfismos para correspondencia de imágenes". Quarterly of Applied Mathematics . 56 (3): 587–600. doi : 10.1090/qam/1632326 .
49. A. Trouvé. Acción de grupo de dimensión infinita y reconocimiento de formas. CR Acad Sci Paris Sér I Math, 321(8):1031– 1034, 1995.
50. P. Dupuis, U. Grenander, MI Miller, Existencia de soluciones en flujos de difeomorfismos, Quarterly of Applied Math, 1997.
51. Beg, M. Faisal; Miller, Michael I; Trouvé, Alain; Younes, Laurent (2005). "Computing Large Deformation Metric Mappings via Geodesic Flows of Diffeomorphisms" (Cálculo de asignaciones métricas de deformación a gran escala mediante flujos geodésicos de difeomorfismos). International Journal of Computer Vision (Revista internacional de visión por computadora ). 61 (2): 139–157. doi :10.1023/B:VISI.0000043755.93987.aa. S2CID :  17772076. Consultado el 20 de marzo de 2016 .
52. Miller, Michael I.; Younes, Laurent; Trouvé, Alain (1 de marzo de 2014). "Diffeomorfometría y sistemas de posicionamiento geodésico para la anatomía humana". Tecnología . 2 (1): 36–43. doi :10.1142/S2339547814500010. ISSN  2339-5478. PMC 4041578 . PMID  24904924. 
53. Miller, Michael I.; Trouvé, Alain; Younes, Laurent (1 de enero de 2015). "Sistemas hamiltonianos y control óptimo en anatomía computacional: 100 años desde D'Arcy Thompson". Revisión anual de ingeniería biomédica . 17 : 447–509. doi :10.1146/annurev-bioeng-071114-040601. ISSN  1545-4274. PMID  26643025.
54. Grenander, Ulf; Miller, Michael (8 de febrero de 2007). Teoría de patrones: de la representación a la inferencia . Oxford University Press. ISBN 9780199297061.
55. Younes, Laurent (25 de mayo de 2010). Formas y difeomorfismos | Laurent Younes | Springer. www.springer.com. ISBN 9783642120541. Recuperado el 16 de abril de 2016 .
56. Cao, Yan; Miller, MI; Mori, Susumu; Winslow, RL; Younes, L. (1 de junio de 2006). "Coincidencia difeomórfica de imágenes de tensor de difusión". Taller de la Conferencia de 2006 sobre visión artificial y reconocimiento de patrones (CVPRW'06) . Vol. 2006. pág. 67. doi :10.1109/CVPRW.2006.65. ISBN 978-0-7695-2646-1. PMC  2920614 . PMID  20711423.
57. Du, J; Goh, A; Qiu, A (2012). "Mapeo métrico difeomórfico de imágenes de difusión de alta resolución angular basado en la estructura riemanniana de funciones de distribución de orientación". IEEE Transactions on Medical Imaging . 31 (5): 1021–1033. doi :10.1109/TMI.2011.2178253. PMID  22156979. S2CID  11533837.
58. Beg, M. Faisal; Miller, Michael I.; Trouvé, Alain; Younes, Laurent (1 de febrero de 2005). "Cálculo de asignaciones métricas de deformación a gran escala mediante flujos geodésicos de difeomorfismos". Revista internacional de visión artificial . 61 (2): 139–157. doi :10.1023/B:VISI.0000043755.93987.aa. ISSN  0920-5691. S2CID  17772076.
59. Vialard, François-Xavier; Risser, Laurent; Rueckert, Daniel; Cotter, Colin J. (1 de abril de 2012). "Registro de imágenes 3D difeomórficas mediante disparos geodésicos utilizando un cálculo adjunto eficiente". Int. J. Comput. Vis . 97 (2): 229–241. doi :10.1007/s11263-011-0481-8. ISSN  0920-5691. S2CID  18251140.
60. Stanley Durrleman. «Deformetrica Software» . Consultado el 19 de agosto de 2022 .
61. Ashburner, John (15 de octubre de 2007). "Un algoritmo rápido de registro de imágenes difeomórficas". NeuroImage . 38 (1): 95–113. doi :10.1016/j.neuroimage.2007.07.007. PMID  17761438. S2CID  545830.
62. "Software: Tom Vercauteren". sitios.google.com . Consultado el 11 de diciembre de 2015 .
63. "MRICloud". Universidad Johns Hopkins . Consultado el 1 de enero de 2015 .

Lectura adicional

• Ceritoglu, Can; Wang, Lei; Selemon, Lynn D.; Csernansky, John G.; Miller, Michael I.; Ratnanather, J. Tilak (28 de mayo de 2010). "Registro de mapeo métrico difeomórfico de deformación grande de imágenes de secciones histológicas 3D reconstruidas e imágenes de RM in vivo". Frontiers in Human Neuroscience . 4 : 43. doi : 10.3389/fnhum.2010.00043 . ISSN  1662-5161. PMC  2889720 . PMID  20577633.