Das Korrespondenzproblem für Statistische 3D-Formmodelle ... - ZIB
Das Korrespondenzproblem für Statistische 3D-Formmodelle ... - ZIB
Das Korrespondenzproblem für Statistische 3D-Formmodelle ... - ZIB
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Das</strong> <strong>Korrespondenzproblem</strong> <strong>für</strong> <strong>Statistische</strong> <strong>3D</strong>-<strong>Formmodelle</strong> in<br />
biomedizinischen Anwendungen<br />
Übersicht und Klassifikation<br />
Studienarbeit<br />
im Studiengang Diplom-Informatik<br />
Thomas Wenckebach<br />
geb. am 2.12.1977<br />
in Traben-Trarbach<br />
Institut <strong>für</strong> Informatik<br />
Humboldt-Universität zu Berlin<br />
Betreuer:<br />
Prof. Dr. Beate Meffert, Lehrstuhl Signalverarbeitung und Mustererkennung<br />
Hans Lamecker, Konrad-Zuse-Zentrum <strong>für</strong> Informationstechnik Berlin (<strong>ZIB</strong>)<br />
eingereicht am 29. April 2004
Zusammenfassung<br />
Es wird eine Auswahl bekannter Verfahren zur Korrespondenzfindung bei der Erzeugung statistischer<br />
<strong>Formmodelle</strong> vorgestellt. Die Auswahl richtet sich nach Anwendbarkeit in <strong>3D</strong> und Eignung<br />
<strong>für</strong> biomedizinische Aufgabenstellungen. Die Verfahren werden aufgrund einer mathematischen<br />
Formulierung des <strong>Korrespondenzproblem</strong>s klassifiziert und verglichen. Daneben werden<br />
sie hinsichtlich ihrer Allgemeinheit bezüglich der Topologie der Formen und hinsichtlich der verwendeten<br />
Optimierungsverfahren, also ihrer Komplexität, unterschieden. Bei der Analyse wird<br />
besonders darauf geachtet, inwieweit der Anforderung, anatomisch plausible Korrespondenzen<br />
zu liefern, genügt wird.
Inhaltsverzeichnis<br />
1 Einleitung 3<br />
2 Ziel dieser Arbeit 3<br />
3 <strong>Statistische</strong> <strong>3D</strong>-<strong>Formmodelle</strong> 4<br />
3.1 Anforderungen an die Korrespondenz . . . . . . . . . . . . . . . . . . . . . . . . . 5<br />
3.2 Anforderungen an das Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
4 <strong>Korrespondenzproblem</strong> <strong>für</strong> statistische <strong>Formmodelle</strong> 7<br />
4.1 Repräsentation der Formen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
4.1.1 Diskretisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9<br />
4.2 Bewertung der Korrespondenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9<br />
5 Verfahren zur Korrespondenzfindung 11<br />
5.1 Bildregistrierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11<br />
5.1.1 Volumenregistrierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13<br />
5.1.2 Oberflächenregistrierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14<br />
5.2 Implizite Korrespondenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
5.2.1 Kanonische Parametrisierung . . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
5.2.2 Minimale Beschreibungslänge . . . . . . . . . . . . . . . . . . . . . . . . . 20<br />
5.3 Matching mit Formdeskriptoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21<br />
5.3.1 Modal Matching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21<br />
6 Diskussion und Ausblick 22<br />
2
1 Einleitung<br />
<strong>Das</strong> Finden von Korrespondenzen zwischen Punktmengen im Raum ist ein zentrales Problem<br />
der Gebiete Computergraphik, Computer Vision, Robotik, Mustererkennung sowie Bildverarbeitung.<br />
Eine Vielzahl von Anwendungen führt darauf, unter anderem Morphing [ZSH00], Objektmodellierung<br />
bzw. Formrekonstruktion [HHI95], Objekterkennung [SP95], Bewegungsverfolgung<br />
[KG92], Positionsbestimmung bzw. Navigation [SB92], Erzeugen von Atlanten [CTCG95], multimodale<br />
Bildfusion [Roh00], oder bildgesteuerte Chirurgie [MMF98].<br />
Die letzten drei Punkte sind typische Beispiele aus der biomedizinischen Bildverarbeitung, wo<br />
das <strong>Korrespondenzproblem</strong> oft durch Bildregistrierung gelöst wird. In der Computer Vision<br />
spricht man auch häufig von Point bzw. Shape Matching.<br />
<strong>Statistische</strong> <strong>Formmodelle</strong> werden seit einiger Zeit in der Computer Vision und der biomedizinischen<br />
Bildverarbeitung erfogreich eingesetzt, um dem Ziel der Interpretation von Bildern näher<br />
zu kommen, z.B. dem automatischen Erkennen von Gesichtern [CT01] oder der automatischen<br />
Segmentierung von Organen [LLS03]. Sie wurden auch <strong>für</strong> die Analyse von anatomischen Strukturen<br />
im Rahmen der Bewegungsanalyse (z.B. des Herzens) oder zu diagnostischen Zwecken<br />
(z.B. Alzheimer oder Schizophrenie [WPS03]) angewendet, zur Planung radiologischer Behandlungen<br />
[CHTH93] sowie zur funktionalen Analyse des Gehirns [CT99].<br />
Die Idee, die der Erzeugung statistischer <strong>Formmodelle</strong> zugrundeliegt, ist die Annahme, daß<br />
Objekte unserer Anschauung Klassen bilden, deren Elemente sich durch eine eingeschränkte<br />
Variabilität in Größe, Form und Aussehen unterscheiden [CTCG95]. Erfaßt man eine vergleichsweise<br />
geringe Zahl N von Vertretern einer Klasse (die sogenannte Trainingsmenge), kann man<br />
diese spezifische Variabilität mittels einer Hauptmodenanalyse [Jol86] auf kompakte Weise modellieren.<br />
Während die Hauptmodenanalyse ein etabliertes Verfahren ist, um Meßreihen großer Dimension<br />
zu entkorrelieren, ist ihre Anwendung auf die Modellierung von dreidimensionalen Formen<br />
immer noch Gegenstand aktiver Forschung. Grund ist, daß im Gegensatz zu traditionellen Anwendungen,<br />
wo Objektmerkmale wie Körpergröße und -gewicht klar definiert sind, hier der<br />
Merkmalsvektor in kanonischer Form <strong>für</strong> jedes der N Objekte der Klasse erst generiert werden<br />
muß. Damit aber ein sinnvolles statistisches Formmodell resultiert, muß das i-te Element eines<br />
Merkmalvektors vj mit dem i-ten Element eines Merkmalvektors vl, l �= j, i = 1...N korrespondieren<br />
1 . Man trifft auf das <strong>Korrespondenzproblem</strong>. Ursprünglich wurde es manuell gelöst,<br />
das heißt <strong>für</strong> jedes Element der Trainingsmenge wurden homologe Punkte definiert 2 [CHTH93].<br />
Diese Praxis hat sich mangels Alternativen lange gehalten. Noch in 2000 veröffentlichten Lorenz<br />
und Krahnstöver [LK00] ein manuelles Verfahren zur statistischen Formmodellbildung, obwohl<br />
das manuelle Bestimmen von Landmarken ein langwieriger Prozeß ist, der große Fachkenntnis<br />
und Routine verlangt.<br />
In der Folge wurden semiautomatische Methoden entwickelt [LLS03], welche immer noch eine<br />
gewisse Absicherung der Ergebnisse durch ein menschliches Expertenurteil ermöglichen.<br />
Heute stehen vermehrt automatische Verfahren zur Verfügung, deren Lösungen zum Teil problematisch<br />
sind, weil sie nicht notwendig homologe Punkte liefern.<br />
2 Ziel dieser Arbeit<br />
Es wird beabsichtigt, einen Überblick über Verfahren zu geben, die zur Lösung des <strong>Korrespondenzproblem</strong>s<br />
bei der Erzeugung statistischer <strong>3D</strong>-<strong>Formmodelle</strong> eingesetzt werden, vorwiegend<br />
zur Modellierung biomedizinischer dreidimensionaler Formen. Da die Forschung schnell voranschreitet,<br />
erscheint eine vergleichende bzw. resümierende Darstellung existierender Methoden<br />
1 Im Falle von biologischen oder medizinischen Daten bezeichnet man korrespondierende Punkte, also solche,<br />
die anatomisch denselben Ort darstellen, als homologe Punkte.<br />
2 Anatomisch oder geometrisch bedeutungsvolle Punkte werden im biomedizinischen Kontext als Landmarken<br />
bezeichnet [Boo89].<br />
3
wünschenswert. Sie werden nach einem Schema klassifiziert, welches sich aus einer mathematischen<br />
Formulierung des <strong>Korrespondenzproblem</strong>s ableitet.<br />
Die zu verarbeitenden Bilddaten können verschiedener Herkunft sein, hauptsächlich handelt es<br />
sich um Bilder, die von einem Computertomographen, einem Magnetresonanztomographen oder<br />
einem konfokalen Mikroskop aufgenommen worden sind.<br />
Ein großer Teil der Literatur über das Finden von Korrespondenzen aus den eingangs genannten<br />
Feldern läßt sich aus folgenden Gründen kaum zur Erzeugung biomedizinischer statistischer <strong>3D</strong>-<br />
<strong>Formmodelle</strong> anwenden und wird daher hier allenfalls am Rande erwähnt:<br />
• Häufig wird angenommen, daß affine Transformationen ausreichen, um die Formen aufeinander<br />
abzubilden, da es sich um Aufnahmen desselben Objekts handelt, bzw. daß Veränderungen<br />
der Formen nur inkrementell stattfinden.<br />
Hier werden jedoch verschiedene Exemplare einer Klasse betrachtet. Auch kann man hier<br />
nicht annehmen, daß die Formen geordnet sind.<br />
• Die Anwendung in <strong>3D</strong> bringt besondere Probleme mit sich. <strong>Das</strong> 2D-Shape-Matching ist ein<br />
eigenes Forschungsgebiet, von dem hier nur Ansätze erwähnt werden, deren erfolgreiche<br />
Erweiterung auf <strong>3D</strong>-Probleme dokumentiert ist.<br />
• Es soll das <strong>Korrespondenzproblem</strong> <strong>für</strong> <strong>Formmodelle</strong> untersucht werden: Daher wird der<br />
Spezialfall, wo Modelle basierend auf den Grauwerten erzeugt werden, ausgeklammert.<br />
• Die manuelle Definition korrespondierender Landmarken <strong>für</strong> große <strong>3D</strong>-Datensätze ist kaum<br />
praktikabel (s.o.).<br />
Die Auswahl orientiert sich weiterhin an einem technischen Report sowie einer aktuellen tabellarischen<br />
Übersicht des Erfinders der Active Shape Models, Timothy Cootes [CT01, Coo04],<br />
dessen Auflistung verwandter Verfahren nahezu übereinstimmt mit [DTC + 02]. Hinzu kommen<br />
Ergebnisse eigener Recherche.<br />
3 <strong>Statistische</strong> <strong>3D</strong>-<strong>Formmodelle</strong><br />
Prominente Vertreter statistischer <strong>3D</strong>-<strong>Formmodelle</strong> sind die Active Shape Models, unter diesem<br />
Namen eingeführt von Cootes et al. [CHTH93]. Sie werden hauptsächlich <strong>für</strong> die automatische<br />
Segmentierung benutzt. Bei den verwandten Active Contour Models oder Snakes [MT96] passen<br />
sich die Konturlinien nur durch allgemeine mechanische Modelle eingeschränkt den Umrissen des<br />
zu segmentierenden Objekts an (Free-Form Deformations) und werden dabei leicht zu störenden<br />
Attraktoren geleitet, welche nicht Teil der Kontur sind. Im Gegensatz dazu werden bei den Active<br />
Shape Models die Einschränkungen der Variabilität direkt aus der Klasse, der das Objekt<br />
angehört, abgeleitet. Dennoch ist das Verfahren sehr allgemein, ist also nicht an die Anwendung<br />
auf eine bestimmte Klasse gebunden. Die folgende methodische Beschreibung orientiert sich an<br />
diesem verbreiteten Ansatz.<br />
<strong>Statistische</strong> <strong>Formmodelle</strong> basieren in vielen Fällen auf der Repräsentation von Formen Sn,<br />
(n = 1..N), als Mengen diskreter numerierter Punkte, wobei man sich jeden Punkt als an<br />
einer ausgezeichneten Stelle des Objekts plaziert vorstellt, d.h. die Form Sn wird diskret repräsentiert<br />
durch eine Parametrisierung Φn. Indem die Statistik der Positionen der numerierten<br />
Punkte untersucht wird, wird ein Punktverteilungsmodell berechnet. Dieses Modell stellt die<br />
Mittelwerte der Positionen der Punkte dar, sowie die Hauptmoden der Variation, welche in der<br />
Trainingsmenge angetroffen wurde.<br />
Sei {Sn} eine Menge von N Formen mit M korrespondierenden Punkten und<br />
vn = (xn0, yn0, zn0, ..., xnM−1, ynM−1, znM−1) T , vn ∈ R 3M , 0 ≤ n < N (1)<br />
4
ein Formvektor, wobei (xnj, ynj, znj) der j-te Punkt der n-ten Form ist, der durch die Parametrisierung<br />
Φn auf die Position j (0 ≤ j < M) abgebildet wurde.<br />
Mit der Hauptmodenanalyse kann die mittlere Form und die Variabilität gefunden werden, mit<br />
deren Hilfe die vn als Linearkombination geschrieben werden können - das gesuchte lineare<br />
Modell:<br />
vn = v + Pbn = v + �<br />
mit v dem mittleren Formvektor und P = {p k } der Matrix der Eigenvektoren der Kovarianzmatrix.<br />
Die zugehörigen Eigenwerte {λ k } beschreiben die Varianz in Richtung der Eigenvektoren.<br />
Der Anteil an der gesamten Varianz, der durch jeden Eigenvektor erklärt wird, ist gleich dem<br />
zugehörigen Eigenwert [Jol86]. Der größte Teil der Variabilität kann in der Regel durch eine<br />
kleine Anzahl Moden erklärt werden (t < 3n). Die Formparameter b = {bk} steuern die Moden<br />
der Variation. Eine ausführlichere Herleitung findet sich bei Cootes et al. [CTCG95] bzw. Jolliffe<br />
[Jol86].<br />
Wie bereits erwähnt, ist es <strong>für</strong> ein korrektes statistisches Modell wesentlich, daß alle M Punkte<br />
jeder Form in anatomisch plausibler Korrespondenz stehen, also homolog sind und relativ zu<br />
einem gemeinsamen Referenzkoordinatensystem gegeben sind. Diese Teilprobleme werden i. A.<br />
unabhängig voneinander gelöst [LLS03].<br />
Alternativ kann ein statistisches <strong>3D</strong>-Formmodell durch die Hauptmodenanalyse analog auf<br />
Grundlage anderer Formbeschreibungen aufgebaut werden, z.B. mittels der Koeffizienten der<br />
Entwicklung der sphärischen Harmonischen [KSG99], oder Deformationsfeldern [FRSN02]. Diese<br />
Formbeschreibungen lassen sich in Punktrepräsentationen überführen, daher liegt das <strong>Korrespondenzproblem</strong><br />
dort in analoger Form vor.<br />
3.1 Anforderungen an die Korrespondenz<br />
k<br />
p k b k n<br />
Eigenschaften eines guten Algorithmus zur Korrespondenzfindung zwischen Punkten sind:<br />
1. Medizinisch geschultes Fachpersonal sollte der Lösung zustimmen, d.h. die Korrespondenz<br />
sollte anatomisch plausibel sein.<br />
2. Die definierten Punkte sollten die Form verläßlich darstellen, d.h. es sollten keine Teile<br />
ausgelassen werden. Die Punkte sollten ausreichend dicht sein, so daß Details der Form<br />
durch die Koordinaten der Punkte hinreichend repräsentiert werden.<br />
3. Die Korrespondenzfunktion fij : Si → Sj sollte bijektiv und diffeomorph sein: Benachbarte<br />
pi ∈ Si sollten mit benachbarten pi ∈ Sj korrespondieren.<br />
4. Die Korrespondenzfindung sollte symmetrisch sein, also im Wesentlichen unabhängig von<br />
der Wahl einer Referenzform Sr (s. Kap. 4).<br />
5. Der Algorithmus sollte robust sein gegen Ausreißer.<br />
6. Der Algorithmus sollte praktikabel sein, d.h. eine gute Performanz aufweisen und mit<br />
wenigen Parametern ausgestattet sein.<br />
7. Die definierten Landmarken sollten zu einer guten Performanz einer nachgeordneten Verarbeitung<br />
führen (z.B. Segmentierung).<br />
8. Eine gute Korrespondenz sollte auf ein gutes statistisches Formmodell führen.<br />
Für Punkt 3. haben Caunce und Taylor das Maß der Punktkohärenz entwickelt [CT99]. Da jeder<br />
Hauptmodus eine Weise angibt, wie sich alle Punkte bewegen, sollten sich benachbarte Punkte<br />
5<br />
(2)
ei Variation eines Formparameters bi in ähnliche Richtungen bewegen. Ein solcher Indikator<br />
kann <strong>für</strong> jeden Modus p k berechnet werden:<br />
c k = 1<br />
M<br />
M�<br />
1<br />
nm<br />
m=1 j=1<br />
nm�<br />
||d k m · d k j ||, (3)<br />
wobei nm die Anzahl der Punkte in der Nachbarschaft von Punkt pm und dk i<br />
bungsvektor des Punktes pi bezeichnet3 .<br />
3.2 Anforderungen an das Modell<br />
den Verschie-<br />
Zwei Ziele stehen bei der Erzeugung eines statistischen Formmodells in Konflikt [CTCG95]:<br />
Die Allgemeinheit bzw. die Vollständigkeit des Modells sollte möglichst groß sein, um auch Vertreter<br />
einer Klasse, die nicht in den Modellbildungsprozeß einbezogen worden sind, durch das<br />
Modell repräsentieren zu können. Dies kann durch Kreuzvalidierung (Leave-one-out-Tests) gemessen<br />
werden. Die Spezifität des Modells verlangt, daß nur Vertreter der Klasse durch das<br />
Modell repräsentiert werden können, daß also jede Linearkombination der Eigenmoden ausschließlich<br />
gültige Objektinstanzen generiert.<br />
Abbildung 1: Wenn Elemente des Formvektors (v1 und v2) korreliert sind, können auch<br />
sehr untypische Formen konstruiert werden (aus Cootes [CTCG95]).<br />
Daneben tritt die Kompaktheit des Modells gemessen z.B. an der Minimalen Beschreibungslänge<br />
(s. Kap. 4.2), also eine Darstellung aller Formen Sn mit möglichst wenig Eigenmoden, als dritter<br />
wesentlicher Aspekt eines guten statistischen Formmodells. <strong>Das</strong> zweite Ziel wird prinzipiell<br />
durch die der Hauptmodenanalyse zugrundeliegende Entkorrelierung der Variablen, in dem Fall<br />
der Positionen der Punkte (s. Abb. 1), erreicht. Dennoch kann eine ungünstige Wahl einer Menge<br />
von Parametrisierungen {Φn} trotz ‘legaler’ Werte von {bn} ‘illegale’ Forminstanzen erzeugen<br />
(s. Abb. 2).<br />
Abbildung 2: Der erste Modus zweier <strong>Formmodelle</strong>. Links: Modell A, manuell parametrisiert.<br />
Rechts: Modell B, parametrisiert nach der Bogenlänge (aus Davies [DTC + 02]).<br />
Die Güte des Modells ist also ein schwer zu quantifizierender Begriff, der zudem stark anwendungsabhängig<br />
ist.<br />
3 Caunce und Taylor schreiben vermutlich versehentlich ck = 1<br />
M<br />
6<br />
M<br />
m=1<br />
1<br />
nm || nm<br />
j=1 dj||.
4 <strong>Korrespondenzproblem</strong> <strong>für</strong> statistische <strong>Formmodelle</strong><br />
<strong>Das</strong> <strong>Korrespondenzproblem</strong> beim statistischen Modellieren von Formen besteht darin, <strong>für</strong> jede<br />
Form Landmarken zu definieren, so daß über die gesamte Menge der Formen die Punkte<br />
miteinander korrespondieren. Dies entspricht der Suche nach einer Menge {Φn} von geeigneten<br />
Parametrisierungen der Formen oder äquivalent einer Menge von Korrespondenzfunktionen<br />
{fij}, i, j = 1..N,<br />
Si<br />
fij<br />
→ Sj. (4)<br />
Um die Korrespondenz zu finden, muß eine geeignete Repräsentation Si der Formen gewählt<br />
werden, welche abweichen kann von der meist zur Modellbildung verwendeten Punktmengenrepräsentation.<br />
In manchen Fällen genügt eine Repräsentation der Oberfläche, es kann aber auch<br />
sinnvoll sein, das gesamte Volumen zu modellieren.<br />
Aus der Repräsentation der Formen ergibt sich die Art der Korrespondenzfunktion: Sie kann<br />
auf Punktmengen definiert sein, fij : Si → Sj, auf 2D-Mannigfaltigkeiten, fij : Si → Sj, oder<br />
auf dem Raum, in den die Formen eingebettet sind: fij : R 3 → R 3 .<br />
Die Suche nach fij geschieht durch Minimierung eines Funktionals:<br />
min E(fij, Si, Sj). (5)<br />
fij<br />
<strong>Das</strong> Funktional, auch Kostenfunktional genannt, bewertet die Qualität der Korrespondenz. Verwendet<br />
werden Terme zur Messung der geometrischen Verzerrung, die durch fij entsteht, oder<br />
zur Bewertung der Ähnlichkeit der Formen. Daneben werden Einschränkungen formuliert, die<br />
gewünschte Eigenschaften einer optimalen Korrespondenzfunktion unterstützen, wie z.B. deren<br />
Glattheit.<br />
Individuelle versus simultane Korrespondenzfindung Bei der individuellen Korrespondenzfindung<br />
wird die Korrespondenz zwischen zwei Formen gesucht. Um ein statistisches Formmodell<br />
erzeugen zu können, muß also <strong>für</strong> eine Referenzform Sr ein Formvektor vr definiert<br />
werden. Mit Hilfe einer Abbildung fij kann die Parametrisierung Φn von Sr auf die Sn übertragen<br />
werden, damit erhält man mit vr korrespondierende vn. Damit wird aber implizit unterstellt,<br />
die Sn seien einer willkürlich ausgewählten Form Sr besonders ähnlich, die Korrespondenz ist<br />
asymmetrisch. Manche Verfahren versuchen, die Dominanz der Referenzform iterativ abzumildern,<br />
um die Korrespondenz zu verbessern [FLJ99].<br />
Bei der simultanen Korrespondenzfindung wird versucht, die Korrespondenzen zwischen allen<br />
Formen untereinander simultan zu optimieren. Dies ist ein sehr aufwendiger Vorgang, der immer<br />
dann, wenn die Trainingsmenge um neue Exemplare erweitert wird, aufs Neue durchgeführt<br />
werden muß. Dagegen ist die Erweiterung der Trainingsmenge <strong>für</strong> individuelle Korrespondenzfindungsverfahren<br />
vergleichsweise einfach.<br />
Optimierungsverfahren Nur in zwei der hier vorgestellten Verfahren liegt ein lineares Optimierungsproblem<br />
vor (s. Kap. 5.2.1). Ansonsten kann man zwei große Klassen nichtlinearer<br />
Optimierungsverfahren unterscheiden: Gradientenbasierte Verfahren und solche, die keine Gradienten<br />
verwenden, weil das Funktional nicht differenzierbar ist. Beispiele <strong>für</strong> Letztere sind<br />
Simulated Annealing, Powells Methode, das Nelder-Mead-Simplexverfahren sowie Genetische<br />
Algorithmen. Sie werden nach Möglichkeit vermieden, weil sie deutlich komplexer und im Allgemeinen<br />
weniger robust sind. Die Klasse der Gradientenverfahren kann man weiter in solche<br />
erster Ordnung, welche nur die erste Ableitung benutzen, und zweiter Ordnung, welche auch die<br />
zweite Ableitung benutzen, was zu einer schnelleren Konvergenz führt, unterteilen. Ein guter<br />
Optimierer erster Ordnung ist z.B. Quasi-Newton. Kompliziertere, aber i.A. wesentlich effizientere<br />
Verfahren wie z.B. Levenberg-Marquardt [KNFM04] und Konjugierte Gradienten sind<br />
zweiter Ordnung. Eine ausführliche Beschreibung findet man in [PTVF93].<br />
7
4.1 Repräsentation der Formen<br />
Die Formen liegen in der Regel nach einer manuellen Segmentierung als dreidimensionale, markierte<br />
Voxelbilder vor (Labelfelder). Die Marken zeigen an, zu welchem Segment ein Voxel gehört.<br />
Punkte Mengen von unverbundenen Punkten sind die einfachste Repräsentation von Formen.<br />
Linien Teilmengen von Punkten können zu eindimensionalen Kurvensegmenten zusammengefaßt<br />
werden. Damit wird versucht, strukturelle Eigenschaften der Form hervorzuheben und als<br />
Randbedingung in die Korrespondenzfindung aufzunehmen. Man kann Kurvensegmente durch<br />
Pfade maximaler Hauptkrümmung definieren, welche geometrische Invarianten der triangulierten<br />
Oberfläche darstellen (Crest Lines, [STA98]).<br />
Flächen Eine triangulierte Oberfläche Sn ist eine Menge von Vertizes und Kanten. Damit liegen<br />
zusätzlich Informationen zu Konnektivität und Geometrie vor, es handelt sich um eine stückweise<br />
lineare, zweidimensionale Struktur im R 3 - eine explizite Darstellung der Fläche. Sie kann<br />
aus dem binären Voxeldatensatz mittels einer Distanztransformation [Bor96] extrahiert werden,<br />
denn die Voxel, die den Rand einer Markierung bilden, beschreiben die Fläche bereits implizit.<br />
Um die Triangulierung durchzuführen, wird die Punktdichte der Oberfläche reduziert, in der Regel<br />
geleitet durch geometrische Eigenschaften wie Krümmung. <strong>Das</strong> ist insofern problematisch,<br />
als im Ergebnis korrespondierende Punkte in verschiedenen Formen teils als Vertex ‘überleben’,<br />
teils ausgedünnt worden sind. Daraus folgt, daß die Ausdünnung nur gering sein darf 4 . Anschließend<br />
wird ein Voronoi-Graph der Punktmenge benutzt, um die Delaunay-Triangulierung<br />
zu erhalten [BKOS98]. Häufig wird auch der Marching-Cubes-Algorithmus [LC87] direkt auf den<br />
Voxeldaten angewendet.<br />
Volumen Ein Volumendatensatz ist eine Menge von Punkten, deren Koordinaten auf einem<br />
dreidimensionalen Gitter definiert sind.<br />
Stetige Parametrisierung Eine Oberfläche kann mittels einer stetigen bijektiven Abbildung<br />
zweier Parameterwerte (u, v) ∈ D <strong>für</strong> ein konvexes D ⊂ R2 auf die Punkte der Oberfläche<br />
parametrisiert werden:<br />
⎛<br />
x(u, v) = ⎝<br />
x(u, v)<br />
y(u, v)<br />
z(u, v)<br />
wobei x, y und z Koordinatenfunktionen R 2 → R sind.<br />
Um Deformationen von Formen zu modellieren, können die Koordinatenfunktionen wiederum<br />
durch Parametrisierungsfunktionen Φ ausgedrückt werden, z.B. durch die Asymmetrische θ-<br />
Transformation nach Davies et al. (s. Kap. 5.2.2).<br />
Formdeskriptoren Die Formen Sn können ausgehend von den bisher beschriebenen Repräsentationen<br />
weitergehend charakterisiert werden, wobei als Resultat ein Formvektor vn abweichend<br />
vom oben beschriebenen (s. Gl. (1)) möglich ist. Man spricht von Feature Vectors<br />
oder Formdeskriptoren. Sie sind in der Lage, verschiedene Formen, möglichst auch verschiedener<br />
Topologie, in ihren globalen und lokalen Eigenschaften exakt und auf kanonische Weise darzustellen.<br />
Formdeskriptoren wie der Formkontext [BMP02] oder das Spin Image [JH97] sind von hoher<br />
räumlicher Komplexität, da dort die Topographie der Formen durch mehrdimensionale Histogramme<br />
repräsentiert wird. Sie eignen sich deshalb zur Zeit nur <strong>für</strong> 2D Probleme. Für die<br />
Anwendung des Shape Retrievals aus Datenbanken über das World Wide Web wurde die Erweiterung<br />
auf <strong>3D</strong> bereits dokumentiert [KPNK03]. Die so gewonnen Korrespondenzen sind aber<br />
4 Eine Triangulierung einer menschlichen Leber beispielsweise enthält immer noch ca. 11000 Vertizes.<br />
8<br />
⎞<br />
⎠ ,
<strong>für</strong> die Zwecke der statistischen Formmodellierung nicht exakt genug.<br />
Eine andere Art, Formdeskriptoren abzuleiten, ist die Entwicklung über eine vollständige Menge<br />
von Basisfunktionen wie B-Splines, Wavelets oder sphärische Harmonische nach Kelemen et al.<br />
(s. Kap. 5.2.1).<br />
Geometrische Formen kann man auch mit Hilfe von Finite Elemente Methoden [Bet97] hierarchisch<br />
in natürliche Schwingungen zerlegen [SP95]. Aus den pm ∈ Sn wird ein Finite-Elemente-<br />
Modell generiert. In dieses Modell gehen neben den Punktkoordinaten noch Informationen zur<br />
Konnektivität der Punkte ein, es besteht im Wesentlichen aus Masse- und Steifigkeitsmatrizen.<br />
Zur weiteren Analyse werden die Eigenvektoren p k dieses Modells errechnet (Eigenmoden). Sie<br />
liefern eine orthogonale, nach der Frequenz geordnete kanonische Beschreibung der Form und<br />
ihrer natürlichen Deformationen.<br />
4.1.1 Diskretisierung<br />
Ein Aspekt der Formrepräsentation ist die notwendige Diskretisierung. Im Ergebnis kann es<br />
sein, daß <strong>für</strong> manche pi ∈ Si kein korrespondierender pj ∈ Sj existiert (s. Abb. 3). Diese<br />
Situation kann auch auftreten, wenn <strong>für</strong> die Korrespondenzfindung Landmarken automatisch<br />
auf der Form definiert werden, z.B. Kurvensegmente. Chui et al. [CZR04] sprechen sogar vom<br />
Konsistenzproblem, dem als wichtigen Teilproblem der Korrespondenzfindung nicht immer die<br />
nötige Aufmerksamkeit geschenkt werde (s. Abb.3).<br />
Abbildung 3: <strong>Das</strong> Konsistenzproblem. Von links nach rechts: a) Die Originalpunkmenge mit einer dichten<br />
Punktverteilung. b), c) Zwei abgetastete Punktmengen. d) Beide abgetastete Mengen übereinandergelegt (nach<br />
Chui et al. [CZR04]).<br />
Je dichter die Punktverteilungen der Sn sind, desto weniger bedeutend wird allerdings diese<br />
Problematik (dichte Korrespondenz).<br />
4.2 Bewertung der Korrespondenz<br />
<strong>Das</strong> zu minimierende Funktional E (s. Gl. (5)), welches die Qualität der Korrespondenz mißt,<br />
kann unterschiedliche Gestalt annehmen:<br />
Euklidischer Abstand Bei der Bildregistrierung (s. Kap. 5.1) muß gemessen werden, wie<br />
ähnlich sich zwei Formen unter der jeweils aktualisierten geometrischen Transformation sind.<br />
Dies geschieht durch eine anwendungsspezifische Metrik.<br />
Der Euklidische Abstand zwischen zwei Punkten pi und pj im R 3 ist definiert als<br />
d e ij = ||pi<br />
�<br />
− pj|| =<br />
(xi − xj) 2 + (yi − yj) 2 + (zi − zj) 2 . (6)<br />
Werden Oberflächen Si und Sj registriert, wird <strong>für</strong> jeden Punkt pi ∈ Si der minimale Euklidische<br />
Abstand zu einem Punkt pj ∈ Sj gemessen:<br />
d(pi, Sj) = min ||pi − pj|| (7)<br />
pj∈Sj<br />
9
Der Abstand der Oberflächen ist dann<br />
d(Si, Sj) = �<br />
pi∈Si<br />
d(pi, Sj). (8)<br />
Geometrische Ähnlichkeit Im Sinne einer anatomisch plausiblen Korrespondenz ist es grundsätzlich<br />
wünschenswert, die Geometrie der Formen in den Optimimierungsprozess einzubeziehen.<br />
Ein Maß <strong>für</strong> die Ähnlichkeit der Oberflächennormalenvektoren ni ist [WPS00] deren Projektion:<br />
d n ij = ni · nj<br />
Analog kann <strong>für</strong> Kurvensegmente die Übereinstimmung der Tangenten ti gemessen werden:<br />
d t ij = ti · tj<br />
Auch die Hauptkrümmungen k1 und k2 [Wün97] der Oberfläche können in die Messung eingehen.<br />
Mit ihrer Hilfe kann man die Oberfläche in eine von neun Klassen einordnen [WPS00]. Dazu<br />
dient der Formindex<br />
(9)<br />
(10)<br />
S = 2<br />
π arctan[(k1 + k2)/(k2 − k1)]. (11)<br />
Weiterhin läßt sich das Ausmaß der Krümmung [WPS00] bestimmen:<br />
�<br />
C = (k2 1 + k2 2 )/2. (12)<br />
Topographische Ähnlichkeit Topographische Eigenschaften, also die räumliche Struktur<br />
der Form, werden wegen des immensen Speicherbedarfs selten ausgewertet. Um den Formkontext<br />
darzustellen, können Nachbarschaftshistogramme angelegt werden, was im Falle der vergleichsweise<br />
effizienten Repräsentation der Formen durch Kurvensegmente durchaus praktikabel ist.<br />
Jedem Punkt pi eines Kurvensegments wird ein zweidimensionales Histogramm hik zugeordnet<br />
(wenn er an einer Verzweigung liegt, mehrere, k > 1). Es wird nach der Tangente der Kurve<br />
orientiert und stellt die mit einer Auflösung von acht Pixeln quantisierte Projektion von <strong>3D</strong> nach<br />
2D dar [CT99]. Histogramme können verglichen werden, indem die Zeilen zu Einheitsvektoren<br />
konkateniert und aufeinander projeziert werden:<br />
d h ij<br />
= max(hik<br />
· hjl ) (13)<br />
kl<br />
Ist die Form als Markenbild repräsentiert, kann man die Ähnlichkeit zweier Formen mit der<br />
Markenkonsistenz [FRSN02] messen:<br />
E(f, Si, Sj) =<br />
L�<br />
l=1<br />
pSiSj (l, l), (14)<br />
wobei pSiSj (l, m) die Wahrscheinlichkeit <strong>für</strong> ein gemeinsames Auftreten der Marken l und m in<br />
Si und Sj ist.<br />
Regularisierung Wenn die Korrespondenzfunktion fij eine Abbildung zwischen Oberflächen<br />
ist, wird versucht, die durch diese Abbildung entstehende Verzerrung zu minimieren. Dazu gibt<br />
es verschiedene Ansätze:<br />
Durch eine Parametrisierung nach Floater [Flo97] werden Verzerrung, lokale Scherung und<br />
Skalierung der Oberfläche minimiert, indem die intrinsischen geometrischen Eigenschaften Bogenlänge<br />
und Winkel lokal so weit wie möglich bewahrt werden (s. Kap. 5.2.1).<br />
Diesem Ansatz ähnlich ist der der harmonischen Abbildung: h : D → P bildet eine triangulierte<br />
Oberfläche D ⊂ R 3 , welche topologisch äquivalent einer Kreisscheibe ist, auf eine polygonale<br />
10
Region P des R 2 ab und minimiert dabei die sogenannte metrische Dispersion [BT00]. Darunter<br />
verstehen Brett und Taylor das Ausmaß, mit dem kleine Regionen von D durch die Abbildung<br />
gestreckt werden (s. Kap. 5.2.1).<br />
Eine dritte Variante nach Brechbühler [BGK95] sucht eine flächenerhaltende Parametrisierung<br />
(s. Kap. 5.2.1): Jede Region der Objektoberfläche muß auf eine proportionale Region der Einheitskugel<br />
abgebildet werden.<br />
Um das aus einer Freiform-Bildregistrierung (s. Kap. 5.1) resultierende Deformationsfeld einzuschränken,<br />
werden Regularisierungsterme in das Funktional E aufgenommen. Die Deformation<br />
wird geglättet, indem die Krümmung des Gitters nach einem Elastizitätsmodell bestraft wird.<br />
Durch Bewertung der Jacobi-Determinante kann außerdem eine Ausdehnung des Volumens eingeschränkt<br />
und eine Überfaltung ausgeschlossen werden (s. Kap. 5.1).<br />
Informationstheoretisches Maß Die Minimale Beschreibungslänge als Maß <strong>für</strong> die Kompaktheit<br />
des statistischen Formmodells [DTC + 02] ist folgendermaßen motiviert: Man stelle sich<br />
vor, eine Menge von Formen, welche durch ein lineares statistisches Modell (s. Gl. (2)) beschrieben<br />
werden, als codierte Nachricht versenden zu müssen. Die vollständige Sendung beinhaltet<br />
dann nicht nur die codierten Daten, sondern auch die codierten Modellparameter, wie z.B. die<br />
Varianzen in den Richtungen der Eigenvektoren der Kovarianzmatrix. Die Balance zwischen<br />
der Komplexität des Modells, welche sich in den Kosten <strong>für</strong> das Senden der Modellparameter<br />
ausdrückt, und der Qualität der Anpassung des Modells an die Formen, ausgedrückt durch die<br />
Beschreibungslänge der Daten, wird durch das Maß Minimale Beschreibungslänge hergestellt<br />
[DTC + 02]. Dazu wird ein Ausdruck <strong>für</strong> die Beschreibungslänge eindimensionaler, beschränkter<br />
und quantisierter Daten abgeleitet, welcher auf einer zentrierten Gauß-Verteilung basiert und<br />
nach Shannons idealer Beschreibungslänge berechnet wird (Details siehe [DTC + 02]).<br />
5 Verfahren zur Korrespondenzfindung<br />
5.1 Bildregistrierung<br />
<strong>Das</strong> Auffinden einer Zuordnung einer (Teil-)Menge von Punkten eines Datensatzes zu einer<br />
(Teil-)Menge von Punkten eines anderen Datensatzes wird als Bildregistrierung bezeichnet. Der<br />
Begriff Registrierung ist motiviert durch die rigide Registrierung, wo nur Translation und Rotation<br />
erlaubt sind: Hierbei handelt es sich um die Ausrichtung von Datensätzen in ein gemeinsames<br />
Koordinatensystem.<br />
Die Bildregistrierung verbindet die Suche nach einer Korrespondenz zwischen Objekten mit der<br />
Suche nach einer geometrischen Transformation, welche die Objekte bestmöglich aufeinander<br />
abbildet. Die Qualität der Korrespondenz wird anhand ihres Überlappbereichs auf verschiedene<br />
Weise gemessen, bei Grauwertbildern z.B. mit dem Euklidischen Abstand oder der Korrelation.<br />
Einen guten Überblick über die medizinische Bildregistrierung bieten [HBHH01, AFP00].<br />
Zur Erzeugung von statistischen <strong>Formmodelle</strong>n kann die Bildregistrierung nach dem Prinzip der<br />
individuellen Korrespondenzfindung (s. Kap. 4) eingesetzt werden. Es sind keine Einschränkungen<br />
an die Objekttopologie nötig.<br />
Affine Bildregistrierung Bei der affinen Bildregistrierung wird die gesuchte Transformation<br />
auf die Klasse der affinen Transformationen eingeschränkt. Eine affine Transformation im R 3<br />
weist je drei Freiheitsgrade <strong>für</strong> Translation, Rotation, Skalierung und Scherung auf.<br />
Freiform-Bildregistrierung Freiform-Deformationen, entwickelt in der Computergraphik,<br />
erlauben geometrische Transformationen mit einer frei wählbaren Zahl von Freiheitsgraden.<br />
Durch Interpolation von Steuergitterkoordinaten können Objekte lokal deformiert werden. Zur<br />
Modellierung von Freiform-Deformationen wird einer Form Sn eine Transformation Tn zugeord-<br />
11
net, welche sich aus einer globalen und einer lokalen Komponente zusammensetzt:<br />
Tn(x) = Tnl(x) ◦ Tng(x). (15)<br />
Tng ist eine globale, affine 5 und Tnl eine nicht-lineare Transformation mit beliebig vielen Freiheitsgraden.<br />
Um letztere zu repräsentieren, werden die Sn nach einer Methode von Lee et al.<br />
[LWS97] oder Szeliski und Lavallée [SL96] in ein Steuergitter der Größe nx × ny × nz mit Gitterabstand<br />
δ eingebettet, welches iterativ verfeinert werden kann. Dieses definiert zusammen mit<br />
Tng ein stetiges Deformationsfeld durch B-Spline-Basisfunktionen Bi, die an jedem Gitterpunkt<br />
definiert sind (s. Abb. 4). Mit c als der Bezeichnung der Steuerpunkte, u = x/nx − ⌊x/nx⌋,<br />
v = y/ny − ⌊y/ny⌋, w = z/nz − ⌊z/nz⌋ der relativen Positionen der Bildpunkte in einer Gitterzelle<br />
und i = ⌊x/nx⌋ − 1, j = ⌊y/ny⌋ − 1, k = ⌊z/nz⌋ − 1 der Gitterindizes des Knotens <strong>für</strong> B0<br />
ergibt sich<br />
Tnl(x) =<br />
Die Basisfunktionen Bi sind<br />
3�<br />
3�<br />
l=0 m=0 n=0<br />
3�<br />
Bl(u)Bm(v)Bn(w)ci+l,j+m,k+n. (16)<br />
B0(t) = (−t 3 + 3t 2 − 3t + 1)/6,<br />
B1(t) = (3t 3 − 6t 2 + 4)/6,<br />
B2(t) = (−3t 3 + 3t 2 + 3t + 1)/6,<br />
B3(t) = t 3 /6.<br />
fij ist im Allgemeinen nicht surjektiv. Es ist praktisch kaum durchführbar, die Formen so zu<br />
registrieren, daß sie sich vollständig überdecken. Kritischer ist eine Überfaltung, bei der die Injektivität<br />
der Abbildung verloren geht (s. Abb. 4, 5). Um die Deformation einzuschränken, werden<br />
Abbildung 4: Vektorfeld einer B-Spline-<br />
Deformation. In der Bildmitte ist deutlich<br />
eine globale Überfaltung erkennbar.<br />
(17)<br />
Abbildung 5: Lokale Überfaltung: Der markierte Bereich bezeichnet<br />
eine Bildregion, die in zwei Schritten durch Verschiebung<br />
eines Steuerpunktes deformiert wird. Im zweiten Schritt<br />
ensteht die Mehrdeutigkeit.<br />
in den unten vorgestellten Verfahren folgende Regularisierer eingesetzt:<br />
a) Verformungsenergie<br />
Die Biegungsenergie einer dünnen Metallplatte wird als Modell <strong>für</strong> die Verformung des Raumes<br />
durch Spline-Interpolationsfunktionen hergenommen [Boo89]:<br />
�<br />
3<br />
�<br />
∂2T ∂x2 �2 +<br />
�<br />
∂2T ∂y2 �2 +<br />
�<br />
∂2T ∂z2 �2 + 2<br />
�� �<br />
∂2 2 � �<br />
T ∂2 2 � � �<br />
T ∂2 2<br />
T<br />
+ +<br />
dx. (18)<br />
∂x∂y ∂x∂z ∂y∂z<br />
Im Falle der B-Splines wird daraus eine Summation über die Steuerpunkte. Wenn nur eine affine<br />
Transformation vorliegt, ist der Term Null, ansonsten sorgt er <strong>für</strong> eine Glättung der Abbildung.<br />
5 Bei Szeliski und Lavallée [SL96] werden auch trilineare und quadratische Transformationen zugelassen.<br />
12
) Regularisierung mit Stabilisierern Die ’Verformungsenergie’ ist ein Tichonow-Stabilisierer<br />
zweiter Ordnung [Sze89, SL96], und damit ein Spezialfall der allgemeinen Regularisierung<br />
P (T) = 1<br />
2<br />
j1+···+jd=m<br />
p�<br />
wmRm(T) (19)<br />
m=0<br />
mit dem Gewicht wm und dem Tichonow-Stabilisierer m-ter Ordnung<br />
�<br />
Rm(T(x)) =<br />
3<br />
�<br />
�<br />
m!<br />
�<br />
� ∂<br />
�<br />
j1! · · · jd! �<br />
mT(x) ∂x j1<br />
�<br />
�<br />
�<br />
�<br />
1 · · · ∂xjd �<br />
1<br />
2<br />
dx. (20)<br />
Der Stabilisierer nullter Ordnung bestraft die Ausdehnung des Volumens, während der Stabilisierer<br />
erster Ordnung lineare Variationen in T bestraft.<br />
c) Jacobi-Determinante<br />
Die Determinante der Jacobischen Matrix [Wün97],<br />
�⎛<br />
∂T1 �<br />
� ∂x<br />
|J(T(x))| = �⎝<br />
∂T1<br />
� ∂y<br />
�<br />
∂T1<br />
∂z<br />
∂T2<br />
∂x<br />
∂T2<br />
∂y<br />
∂T2<br />
∂z<br />
∂T3<br />
∂x<br />
∂T3<br />
∂y<br />
∂T3<br />
∂z<br />
⎞�<br />
�<br />
�<br />
⎠�<br />
� , (21)<br />
�<br />
wobei Ti die i-te Koordinatentransformation ist, gibt den Faktor an, um den sich das Volumen<br />
eines Voxels mit dem Zentrum (x, y, z) unter der Transformation T ändert. Wenn |J| = 0,<br />
ist die lineare Unabhängigkeit der Basisvektoren des Koordinatensystems verloren gegangen<br />
und damit die Injektivität. Wenn |J| < 0, ist aus dem rechtsdrehenden Koordinatensystem ein<br />
linksdrehendes geworden, die Transformation bewirkt eine lokale Überfaltung. Mit<br />
�<br />
�<br />
log |J(T)| wenn |J(T)| > 0,<br />
V (J, T(x)) dx, V (J, T(x)) =<br />
(22)<br />
3<br />
∞ sonst<br />
erhält man ein entsprechendes Maß <strong>für</strong> die gesamte Form.<br />
Durch Bewertung der Jacobi-Determinante werden lokale Überfaltungen (s. Abb. 5) ausgeschlossen,<br />
während globale Überfaltungen (s. Abb. 4) lediglich unwahrscheinlicher werden.<br />
5.1.1 Volumenregistrierung<br />
Die von Frangi et al. [FRSN02] verwendete Methode ist eine Freiform-Bildregistrierung, die zur<br />
Interpolation B-Splines nach Lee et al. (s. Kap. 5.1) verwendet. Es handelt sich um ein Multiskalenverfahren,<br />
bei dem auf jeder Stufe das Steuergitter verfeinert wird. So vermeiden sie lokale<br />
Minima der Optimierung, deren Parameter die Steuerpunkte sind. Sie registrieren das ganze Volumen,<br />
welches aus Voxeln besteht, die keine Grauwerte, sondern Marken tragen. Als Metrik <strong>für</strong><br />
die Bildregistrierung dient die Markenkonsistenz (s. Kap. 4.2) ergänzt um den Regularisierungsterm<br />
’Verformungsenergie’ (s. Kap. 5.1). Restriktive Annahmen über die Topologie der Objekte<br />
sind nicht nötig. Der erfolgreiche Einsatz zur Erzeugung statistischer <strong>Formmodelle</strong> der rechten<br />
und linken Ventrikel des Herzens wird demonstriert. <strong>Das</strong> Funktional wird maximiert mittels<br />
eines Gradientenaufstiegsverfahren. Die Hauptmodenanalyse wird anschließend auf Grundlage<br />
der Deformationsvektoren durchgeführt.<br />
Bei diesem Ansatz wird die Geometrie der Formen nicht berücksichtigt. Die Verformung des<br />
Volumens wird auf willkürliche Art und Weise eingeschränkt, in dem Fall durch die ’Verformungsenergie’.<br />
Eine Verwendung der Jacobideterminante an der Stelle würde grundsätzlich eine<br />
ebenso gute Abbildung im Sinne der verwendeten Metrik liefern, dennoch sähe das Gitter dann<br />
anders aus. Auch ganz ohne Einschränkung würde die Bildregistrierung gelingen, allerdings sind<br />
dann Überfaltungen wahrscheinlicher. Die Punkte, welche aufeinander abgebildet werden, werden<br />
aufgrund ihrer Marken unterschieden, welche in großen Bereichen homogen sind. Dadurch<br />
wird die Qualität der Übereinstimmung problematisch. Um die Korrespondenz zu verbessern,<br />
also die Abbildung homologer Punkte aufeinander zu befördern, ist folgende Modifikation denkbar:<br />
13
Skizze: Propagation geometrischer Eigenschaften Ausgangspunkt <strong>für</strong> die Bildregistrierung<br />
sind nicht die homogenen Voxelbilder nach der manuellen Segmentierung, sondern die<br />
extrahierten triangulierten Oberflächen Si der Formen. Auf den Si werden <strong>für</strong> jeden Vertex geometrische<br />
Eigenschaften gj bestimmt, z.B. Normalenvektor oder Krümmung. Jeder Punkt der<br />
Oberfläche trägt also neben seinen Koordinaten noch Information über die lokale Geometrie der<br />
Oberfläche. Dieser Wert wird mittels einer Distanztransformation [Bor96] in den R 3 propagiert.<br />
Registriert werden nun diese Bilder der Referenzform Sr mit den Si nach dem vorhergehenden<br />
Verfahren, wobei geeignete Metriken zu entwickeln sind. Für verschiedene gj können einzeln<br />
Bildregistrierungen durchgeführt werden, deren Ergebnisse in geeigneter Weise kombiniert werden<br />
müssen. Wenn dies <strong>für</strong> jede Form durchgeführt wurde, kann die Parametrisierung einer<br />
Referenzoberfläche auf die Si übertragen werden.<br />
5.1.2 Oberflächenregistrierung<br />
Bei der Bildregistrierung von Oberflächen werden grundsätzlich die Abstände zwischen den<br />
Oberflächen minimiert. Ein wegweisendes Verfahren <strong>für</strong> die Klasse der affinen Transformationen<br />
war der Iterative-Closest-Points-Algorithmus (ICP) von Besl und McKay [BM92]. Einige der hier<br />
vorgestellten Registrierungsverfahren können als Derivate dieses Algorithmus betrachtet werden.<br />
Iterative-Closest-Points<br />
Eingabe: Eine Punktmenge {pi}, i = 1 . . . N, eine Zielpunktmenge {qj}, j = 1 . . . M.<br />
Ausgabe: Eine rigide Transformation Tg, welche d(Si, Sj) minimiert.<br />
1. Finde in Iteration k zu jedem Punkt pi den nächsten Punkt qj der Zielpunktmenge, so<br />
daß d(pj, Si) = d(pj, qj).<br />
�<br />
2. Bestimme analytisch minTk g i (Tkg (pki ) − (qkj ))2 .<br />
3. Wende Tk g auf jeden Punkt pi an, um eine neue Punktmenge {p k+1<br />
i } zu erhalten.<br />
4. Terminiere die Iteration nach dem Abbruchkriterium. Ansonsten setze k = k + 1 und<br />
wiederhole von 1.-4.<br />
Abbruchkriterium:<br />
a) d(Si, Sj) unterschreitet eine feste Schranke.<br />
b) Der Unterschied zwischen T k g<br />
und Tk+1<br />
g<br />
c) Eine Höchstzahl an Iterationen wird erreicht.<br />
fällt unter eine feste Schranke.<br />
Es gibt zahlreiche Variationen, wo neben den Punktabständen noch andere Maße, z.B. geometrische,<br />
verwendet werden, um die Transformation zu bewerten [RL01, SLW02]. In unserem<br />
Kontext genügen allerdings rigide Transformationen nicht, um zwei Oberflächen zufriedenstellend<br />
aufeinander abzubilden. Adaptionen <strong>für</strong> Freiform-Oberflächenregistrierung findet man in<br />
[SL96, XF04, CR03]. Chui und Rangarajan entwickeln zusätzlich das bemerkenswerte Optimierungsverfahren<br />
Soft Assign und nennen ihren Algorithmus Robust Point Matching [CR03].<br />
Auf dem ICP-Algorithmus basierende Verfahren bringen Korrespondenzfunktionen hervor, welche<br />
weder injektiv noch surjektiv sind, weil es leicht möglich ist, daß <strong>für</strong> einige Punkte keine<br />
korrespondierenden Punkte vorhanden sind. <strong>Das</strong> kann dazu führen, daß nach Optimierung eines<br />
beliebigen Ähnlichkeitsmaßes (s. Kap. 4.2) mehrere Punkte pi mit demselben pj korrespondieren.<br />
14
ICP <strong>für</strong> Kurvensegmente Caunce und Taylor [CT99] erstellen statistische Modelle von<br />
Gehirnen. Jede Form Sn wird mit einer willkürlich ausgewählten Referenzform Srregistriert.<br />
Sie verwenden den ICP-Algorithmus, ohne dabei die rigide Transformation durch eine Freiform-<br />
Transformation zu ersetzen. Stattdessen verbessern sie die Korrespondenz, in dem sie neben<br />
dem Euklidischen Abstand (s. Gl. (6)) einige weitere Informationen auswerten (s. Kap. 4.2). Ihr<br />
Funktional lautet (mit δ ≈ 0)<br />
E(f, pi, Sj) = d e ij(pi, f(pj)) ·<br />
2 + δ<br />
d n ij (pi, f(pj)) + 1 + δ ·<br />
1 + δ<br />
d t ij (pi, f(pj)) + δ ·<br />
1 + δ<br />
d h ij (pi, f(pj)) + δ ,<br />
welches <strong>für</strong> eine erste Stufe verwendet wird, wo sie Kurvensegmente registrieren. <strong>Das</strong> Funktional<br />
wird nur <strong>für</strong> E > 0 ⇔ 〈ti, tj〉 ∈ [0, π<br />
2 ] ausgewertet. Es wird durch extensive Suche minimiert und<br />
liefert jeweils einen korrespondierenden pj ∈ Sj. Nachdem auf diese Weise eine Punktkorrespondenz<br />
bestimmt wurde, wird in einem Abstimmungsverfahren festgelegt, daß die Kurvensegmente<br />
mit den meisten Punktkorrespondenzen als korrespondierend betrachtet werden.<br />
In der zweiten Stufe werden dann mittels de ij erneut Punktkorrespondenzen gesucht, aber nur<br />
noch innerhalb der korrespondierenden Kurvensegmente. Dazu werden noch die korrespondierenden<br />
Kurvenstücke auf gleiche Größen skaliert, auf ihre Schwerpunkte aligniert und gegebenenfalls<br />
neu verbunden. In einer Analyse zeigen die Autoren, daß sich die Punktkohärenz (s. Gl. (3)),<br />
ausgehend vom klassischen ICP-Algorithmus, immer mehr verbessert, wenn man zuerst dn ij und<br />
dt ij einbezieht, dann das Abstimmungsverfahren, die Skalierung, Alignierung und Verbindung<br />
und schließlich noch dh ij hinzunimmt.<br />
Subsol et al. [STA98] registrieren ebenfalls Kurvensegmente mittels einer Adaption von ICP. Sie<br />
zeigen ihr Verfahren in der Anwendung auf Schädelmodelle. Ihr Ansatz ist jedoch methodisch<br />
überzeugender, da sie anstelle von rigiden Transformationen B-Spline-basierte Transformationen<br />
(s. Kap. 5.1) zulassen und weiterhin die Kurvensegmente nicht durch einen Heurismus (s. Kap.<br />
4.1), sondern aufgrund von Pfaden maximaler Krümmung gewinnen, welche geometrische Invarianten<br />
einer Oberfläche darstellen. Sie betonen die anatomische Relevanz ihrer Formbeschreibung,<br />
welche mit durch Mediziner definierten weithin übereinstimmen. Die Korrespondenzen<br />
finden sie wie Caunce und Taylor zunächst zwischen Kurvensegmenten mit Hilfe eines Abstimmungsverfahrens<br />
und dann zwischen den Punkten der korrespondierenden Segmente. Um die<br />
Korrespondenzfindung bijektiv zu machen, führen sie Injektivitäts- und Punktordnungsrandbedingungen<br />
ein, benutzen aber als Ähnlichkeitsmaß nur de ij (s. Gl. (6)) erweitert um einen<br />
Tichonow-Stabilisierer (s. Kap. 5.1).<br />
<strong>Das</strong> Konsistenzproblem (s. Kap. 4.1.1) lösen beide Ansätze nicht. Es wird nicht vorgesehen,<br />
daß sich die Kurvensegmente während der Optimierung auf der Oberfläche der Form bewegen.<br />
Auch finden sie keine dichte Korrespondenz: Subsol et al. nennen als wünschenswerte Zahl von<br />
Kurvensegmenten 20 bis 30 [STA98]! Beide Verfahren eignen sich nur <strong>für</strong> Anwendungen, wo<br />
ausgeprägte Kurvensegmente extrahiert werden können. Für Schädel und Gehirn ist das, wie<br />
die Autoren zeigen, in robuster Weise möglich, <strong>für</strong> andere Organe, wie z.B. Leber oder Herz, im<br />
Allgemeinen jedoch nicht.<br />
Einbettung der Oberfläche in B-Spline-Steuergitter Fleute et al. [FLJ99] schildern<br />
die Erzeugung statistischer <strong>Formmodelle</strong> von Oberschenkelknochen. Sie betten die Formoberfläche<br />
in ein B-Spline-Steuergitter ein (s. Kap. 5.1), wozu sie die Methode von Szeliski und Lavallée<br />
[SL96] benutzen. Dort werden auch die Stabilisierer m-ter Ordnung (s. Kap. 5.1) beschrieben,<br />
welche zur Regularisierung eingesetzt werden. Die Bildregistrierung ist eine Minimierung<br />
der Fehlerquadrate, wobei als Fehler der oben erwähnte Abstand der Oberflächen betrachtet<br />
wird (s. Gl. (7)). Wegen seiner guten Konvergenzeigenschaften wird der Levenberg-Marquardt-<br />
Algorithmus verwendet. <strong>3D</strong>-Distanzfelder werden vorausberechnet [Bor96], um die Berechnungen<br />
zu beschleunigen. Weiterhin wird das Gitter mit den zugehörigen B-Spline-Basisfunktionen in<br />
sogenannten Octrees abgespeichert, was eine effiziente Implementation des auch hier verwendeten<br />
Multiskalenverfahrens erlaubt [SL96]. Die Robustheit des Algorithmus wird erhöht, indem<br />
15
nach Konvergenz der Optimierung erneut einige Male iteriert wird, wobei Ausreißer, <strong>für</strong> die<br />
d 2 ≫ σ 2 gilt, aus der Punktmenge entfernt werden.<br />
Wenn alle Sn mit Sr registriert worden sind, wird daraus ein erster mittlerer Formvektor v<br />
berechnet. Danach wird bis zur Konvergenz wiederholt erneut registriert und gemittelt, was zur<br />
Abmilderung der Dominanz der Referenzform dient (s. Kap. 4).<br />
Euklidischer Abstand und Oberflächengeometrie Mit der semiautomatischen Methode<br />
von Wang et al. [WPS00] werden korrespondierende Punkte zweier Oberflächen in zwei Stufen<br />
anders als bei ICP direkt bestimmt. Zunächst wird eine Oberfläche Sr trianguliert. Dann wird<br />
Sr mit den Sn affin registriert. Da es sich bei den Formen um Aufnahmen des Gehirns handelt,<br />
wo man leicht zwei verschiedene Bereiche unterscheiden kann, nämlich ’Täler’ (Sulci) und<br />
’Höhenzüge’ (Gyri), werden Vertizes interaktiv ausgewählt und markiert: Neben gewöhnlichen<br />
Sulci (Marke Nr. 3) und Gyri (Nr. 4) werden noch Punkte in Spalten zwischen den Gehirnhemisphären<br />
(Nr. 1) und Punkte in Falten am Gehirnstamm (Nr. 2) markiert. Diese Unterscheidung<br />
wird benutzt, um die Eindeutigkeit der Korrespondenz zu befördern: Für Punkte, die mit<br />
Marken Nr. 3 und Nr. 4 ausgestattet sind, werden korrespondierende Punkte gesucht, nachdem<br />
die Bilder mit einem Gaußfilter mit σ = 0.5 geglättet worden sind. Für die Marken Nr. 1 und<br />
Nr. 2 wird σ = 1.5 bzw. σ = 2.5 verwendet (s. Abb. 6).<br />
Abbildung 6: Durch das Krümmungsmaß markierte Sulci (rot) und Gyri (grün).<br />
Oben: Dorsale Ansicht; Unten: Ventrale Ansicht (aus Wang [WPS00]).<br />
Mit dem Formindex (s. Gl. (11)) lassen sich Punkte eindeutig den Klassen Sulcus oder Gyrus<br />
zuordnen. Zusammen mit dem Ausmaß der Krümmung (s. Gl. (12)) wird daraus ein feature<br />
match mij, welches angibt, mit welcher Sicherheit zwei Punkte pi ∈ Si und pj ∈ Sj einem<br />
gemeinsamen Bereich angehören. <strong>Das</strong> Funktional lautet dann<br />
E(f, pi, S ′ j ) = (1 + de ij (pi, f(pi))) · (2 − d n ij (pi, f(pi))) · mij(pi, f(pi)),<br />
welches <strong>für</strong> jeden pi ∈ Sr in einer Region S ′ j ⊆ Sj durch extensive Suche minimiert wird und<br />
damit jeweils einen korrespondierenden pj ∈ Sj liefert. Wenn <strong>für</strong> jeden der auf der Referenzoberfläche<br />
markierten Punkte ein korrespondierender Punkt pj gefunden wurde, wird eine dichte<br />
Korrespondenz definiert, indem die pj ∈ Sj mittels Suche nach dem geodätischen kürzesten Pfad<br />
[WPS00], verbunden werden. In der Mitte der Verbindungslinien werden Vertizes eingefügt, die<br />
mit entsprechenden Zwischenpunkten der Referenztriangulierung korrespondieren. Dieser Prozeß<br />
wird mehrmals wiederholt, bis eine Menge {frj} von Korrespondenzfunktionen frj : Sr → Sj<br />
<strong>für</strong> j = 1 . . . N − 1 vorliegt. Durch die zweite Stufe der Korrespondenzfindung wird eine gewisse<br />
Kontinuität der Korrespondenzfunktion gewährleistet. Die Wahrscheinlichkeit, daß benachbarte<br />
Punkte korrespondieren, wird erhöht.<br />
<strong>Das</strong> Verfahren ist bei der Anwendung auf Gehirne sehr erfolgreich, insbesondere weil hier die<br />
Korrespondenz auch anatomisch fundiert ist. Fraglich ist allerdings, ob ein feature match <strong>für</strong><br />
16
andere Formen mit einer ebensolchen Aussagekraft wie im Falle der Gyri und Sulci definiert<br />
werden kann.<br />
5.2 Implizite Korrespondenz<br />
Den in diesem Abschnitt zusammengefaßten Verfahren ist gemeinsam, daß hier nicht explizit<br />
nach einer Korrespondenzfunktion gesucht wird, sondern nach geeigneten Parametrisierungen<br />
der Formen: Anstatt direkt eine Funktion von einer Form auf die andere zu definieren, kann<br />
man, um die Korrespondenz zu finden, auch die Oberflächen Sn auf eine Zwischenoberfläche Z,<br />
welche topologisch äquivalent ist, mittels einer Hilfsfunktion hn abbilden: hn : Sn → Z.<br />
Die Korrespondenzfunktion fij ergibt sich dann aus einer Überlagerung der stetigen Parametrisierungen:<br />
Weil die hi bijektiv sind, ist auch fij bijektiv.<br />
5.2.1 Kanonische Parametrisierung<br />
fij = h −1<br />
j ◦ hi, fij : Si → Sj. (23)<br />
Abbildung auf Einheitskugel Kelemen et al. [KSG99] verwenden <strong>für</strong> die Erzeugung ihres<br />
statistischen Formmodells die Koeffizienten der Entwicklung nach den sphärischen Harmonischen,<br />
welche sie aus einer stetigen Oberflächenparametrisierung nach Brechbühler [BGK95]<br />
gewinnen: Um die Formen auf eine invariante, kanonische Weise zu repräsentieren, parametrisieren<br />
sie die Oberfläche der Formen zunächst, indem sie eine stetige bijektive Abbildung von den<br />
Oberflächen, in dem Fall sind das die äußeren Seiten der Randvoxel, auf die Oberfläche einer<br />
Einheitskugel definieren. Dies wird als nichtlineares Optimierungsproblem mit Randbedingungen<br />
formuliert: Die zu maximierende Zielfunktion ist 1 �3 2 i=0 cos si, wobei cos si das Skalarprodukt<br />
der beiden Vektoren vom Zentrum der Kugel zu den Endpunkten der Seite ist (s. Abb. 7). Jede<br />
Region der Objektoberflächen muß auf eine proportionale Region der Einheitskugel abgebildet<br />
werden, damit ist die Parametrisierung flächenerhaltend. Überfaltungen werden ausgeschlossen,<br />
indem die Winkel αi der sphärischen Vierecke auf das Intervall [0, π] eingeschränkt werden.<br />
So wird auch eine homogene Dichte des Parameterraumes erreicht. Auf der Grundlage dieser<br />
Abbildung 7: Jede Außenseite der Randvoxel wird auf ein sphärisches Viereck abgebildet. Weil der<br />
Radius der Kugel eins ist, hat jede Seite si die Länge des zugehörigen Zentrumswinkels im Bogenmaß (aus<br />
Brechbühler [BGK95]).<br />
Parametrisierung wird eine Entwicklung ähnlich einer Fourier-Reihe durchgeführt:<br />
v(θ, φ) =<br />
∞�<br />
l�<br />
l=0 m=−l<br />
17<br />
c m l<br />
m<br />
Yl (θ, φ), (24)
wobei Y m<br />
l die sphärische Harmonische m-ter Ordnung vom Grade l ist [GD86]. Die Koeffizienten<br />
cm l beschreiben räumliche Frequenzbestandteile der Formen und somit hierarchisch globale und<br />
lokale Formeigenschaften (s. Abb. 8). Um Rotationsinvarianz herzustellen, wird der Parameterraum<br />
so rotiert, daß der “Nordpol” (θ = 0) und der Schnittpunkt des “Greenwich Meridians”<br />
mit dem “Äquator” (φ = 0, θ = π<br />
2 ) an den Hauptachsen der Ellipse, die durch die sphärischen<br />
Harmonischen erster Ordnung beschrieben wird (s. Abb. 8b)), ausgerichtet wird. Damit erhält<br />
man eine kanonische Parametrisierung, die eine Eins-zu-Eins-Punktkorrespondenz darstellt.<br />
Abbildung 8: Modellbildung. (a) Manuelle Segmentierung des linken Hippocampus.<br />
(b) Rekonstruktion mit Oberflächenformdeskriptor bis Grad 1. (c) bis Grad 10. (d) Normalisierung<br />
der Position im Objektraum (aus Kelemen [KSG99]).<br />
Die Autoren zeigen, daß diese Methode geeignet ist, Gehirnstrukturen wie Hippocampus oder<br />
Thalamus verschiedener Individuen in Korrespondenz zu bringen. Dadurch, daß die Parametrisierungen<br />
kanonisch sind, werden sie <strong>für</strong> ähnliche Formen vergleichbar, d.h. Parameterkoordinaten<br />
(θ, φ) befinden sich in ähnlichen Regionen der Form innerhalb der Elemente der Trainingsmenge.<br />
Wegen der Verwendung der Einheitskugel als Zwischenoberfläche beschränkt sich das<br />
Verfahren auf Formen mit sphärischer Topologie.<br />
Die Normalisierungsmethode verlangt, daß die Koeffizienten erster Ordnung eine echte Ellipse<br />
beschreiben. Wenn die Ellipse rotationssymmetrisch ist oder gar zu einer Kugel degeneriert,<br />
kann das Verfahren nicht angewendet werden.<br />
Harmonische Abbildung Anstelle einer Kugel benutzen Brett und Taylor eine Kreisscheibe,<br />
um mittels harmonischer Abbildungen eine kanonische Parametrisierung zu erhalten [BT00].<br />
Damit wird die erlaubte Topologie der Formen weiter eingeschränkt. Die Parametrisierung wird<br />
wie folgt konstruiert:<br />
Zuerst werden die Randvertizes der triangulierten Oberfläche proportional der Bogenlänge von<br />
D auf einen Kreis in R 2 abgebildet. Die Positionen der übrigen Vertizes xi werden unter Minimierung<br />
eines Energiefunktionals berechnet:<br />
Eh(x) = 1<br />
2<br />
�<br />
{i,j}∈kanten(D)<br />
κi,j||xi − xj|| 2<br />
Eh kann als die Energie einer Konfiguration von Federn interpretiert werden, wobei jeder Kante<br />
von D eine Feder zugeordnet wird. In die Berechnung der Federkonstante κi,j gehen die<br />
Längen der Kanten {i, j} sowie die Fläche der Facetten, welche an {i, j} angrenzen, ein. Diese<br />
Approximation der harmonischen Abbildung nach Eck et al. [ERD + 95] ist ein lineares Optimierungsproblem,<br />
welches analytisch (∇Eh = 0) gelöst wird.<br />
In einem weiteren Schritt werden Oberflächen Sn, n = 1 . . . N − 1 mittels einer ICP-Variante<br />
18<br />
(25)
(s. Kap. 5.1.2) mit einer Referenzoberfläche Sr registriert. Dadurch wird das Verfahren asymmetrisch<br />
(s. Kap. 4). Bei der Bildregistrierung werden neben den Euklidischen Abständen der<br />
Punkte (s. Gl. (6)) noch die Übereinstimmung der Oberflächennormalen (s. Gl. (9)) als Abstandsmaß<br />
benutzt. Die resultierende Rotation wird dann auf die harmonischen Parametrisierungen<br />
Pn angewendet, um die Korrespondenzfunktion (s. Gl. (23)) zu erhalten.<br />
Convex-Combination Maps Bei Lamecker et al. [LLS03] sind die Formen Sn ebenfalls als<br />
triangulierte Oberflächen Sn gegeben. Die Autoren beschreiben ein individuelles, asymmetrisches<br />
Korrespondenzfindungsverfahren. In einer interaktiven Vorverarbeitung wird jede Oberfläche<br />
gleichermaßen in Flächenstücke mit der Topologie von Kreisscheiben zerlegt. Jedes Flächenstück<br />
wird auf das entsprechende Flächenstück der Referenzoberfläche abgebildet (s. Abb. 9). Dies<br />
Abbildung 9: Ein Homöomorphismus f zwischen den Formen (Lebern) S1 und S2 wird berechnet, indem jedes<br />
Flächenstück der zwei Formen nach Floater (s. Kap. 4.2) mittels der verzerrungsminimierenden Abbildungen φ1<br />
and φ2 auf eine Kreisscheibe abgebildet wird. Die Ränder werden proportional zur Bogenlänge auf den beiden<br />
Oberflächen abgebildet. Die resultierende Abbildung <strong>für</strong> ein Flächenstück ist φ −1<br />
2 ◦φ1 (aus Lamecker et al. [LLS03]).<br />
wird über die Parametrisierung mittels Convex-Combination Maps [Flo97] erreicht, d.h. hier<br />
werden keine Zwischenoberflächen verwendet, der Parameterraum ist eine Kreisscheibe. Convex-<br />
Combination Maps approximieren <strong>für</strong> jeden Vertex lokal die geodätische polare Abbildung (s.<br />
Abb. 10). Auf diese Weise können Verzerrung, lokale Scherung und Skalierung der Oberfläche in<br />
Abbildung 10: Die geodätische polare Abbildung wird um die sternförmige Nachbarschaft eines Vertizes<br />
xi einer Oberflächentriangulisierung approximiert: Die Vertizes xjk werden auf pk so abgebildet,<br />
daß ||pk − p|| = ||xjk − xi|| und θ ′ = 2πθk/ n i<br />
l=1 θl (aus Lamecker et al. [LLS03]).<br />
einem linearen Optimierungsverfahren minimiert werden. Durch Überlagerung der Parametrisierungen<br />
von entsprechenden Flächenstücken erhält man die Korrespondenzfunktion wie in (s.<br />
Gl. (23)). Sind die Korrespondenzen bekannt, können mit einer Minimierung der Fehlerquadrate<br />
analytisch affine Transformationen berechnet werden, welche die Formen in ein gemeinsame<br />
Koordinatensystem überführen.<br />
In diesem Verfahren wird besonders die Konnektivität der Punkte und die lokale Geometrie der<br />
Oberfläche berücksichtigt, was <strong>für</strong> eine anatomisch plausible Korrespondenz ein vielversprechender<br />
Ansatz ist.<br />
19
5.2.2 Minimale Beschreibungslänge<br />
Davies et al. [DTC + 02] betrachten das <strong>Korrespondenzproblem</strong> ebenfalls als die Suche nach einer<br />
geeigneten Parametrisierung {Φn} der verschiedenen Formoberflächen. Eine stetige Parametrisierung<br />
der Formoberfläche mittels sphärischer polaren Variablen (θ und φ) nach Brechbühler (s.<br />
Kap. 5.2.1) wird mit Hilfe der asymmetrischen θ-Transformation in einem Multiskalenverfahren<br />
optimiert. Einer Veränderung der Parametrisierung der Oberfläche entspricht eine Veränderung<br />
der Position der auf die Einheitskugel abgebildeten Vertizes,<br />
Sn → S ′ n, θ → θ ′ , φ → φ, ′<br />
wobei Sn(θ, φ) = S ′ n (θ′ , φ ′ ) und θ ′ = Φ θ n (θ, φ), φ′ = Φ φ n(θ, φ) ist. Gültige Parametrisierungsfunktionen<br />
Φn sind homöomorphe Abbildungen der Kugel. Es wird zunächst nur eine Reparametrisierung<br />
θ → f(θ) betrachtet (symmetrische θ-Transformation), wo<strong>für</strong> die Autoren die<br />
Cauchy-Verteilung [Mar72] verwenden. Sie wird durch eine variable Breite a um den Punkt P<br />
und eine Amplitude A definiert (Cauchy-Kern).<br />
Diese Parametrisierung kann zu θ → f(θ, φ) modifiziert werden, indem die Amplitude als glatte<br />
Funktion von φ geschrieben wird: A → A(φ), wozu wiederum die Cauchy-Verteilung benutzt<br />
wird (asymmetrische θ-Transformation, s. Abb. 11).<br />
Verdrehungen und Scherungen um die Achse erreicht man, wenn man φ auf ähnliche Weise wie<br />
θ parametrisiert.<br />
Während der Optimierung wird auf jeder Auflösungsstufe die Einheitskugel annähernd uni-<br />
Abbildung 11: Links: Originalkugel. Rechts: Kugel nach einer asymmetrischen<br />
θ-Transformation (aus Davies [DTC + 02]).<br />
form abgetastet, um die Cauchy-Kerne P zu plazieren. Nacheinander wird <strong>für</strong> jeden Kern die<br />
Amplitude A optimiert, während die Breite a festgehalten wird. Mit der nächsten Iteration<br />
wird die Abtastrate erhöht und gleichzeitig a verringert, so wird die Parametrisierung immer<br />
mehr verfeinert. Die Optimierung wird mit dem Nelder-Mead-Simplexalgorithmus durchgeführt<br />
[PTVF93], kürzlich wurde allerdings ein deutlich effizienterer Gradientenabstieg erster Ordnung<br />
vorgestellt [E˚A03], was die praktische Anwendbarkeit deutlich erhöhen könnte.<br />
Nach der Definition von Davies et al. ist das beste Modell jenes mit der optimalen Kompaktheit,<br />
Spezifität und Vollständigkeit. Die Korrespondenz wird nach der Minimalen Beschreibungslänge<br />
simultan optimiert, welche jedoch ausschließlich die Kompaktheit des Modells beschreibt - Spezifität<br />
und Vollständigkeit lassen sich nicht in ein Optimierungsverfahren integrieren. Daß ein<br />
Modell mit optimaler Kompaktheit auch optimale Spezifität und Vollständigkeit aufweist bzw.<br />
auf anatomisch plausiblen Korrespondenzen aufbaut, konnte bisher nicht gezeigt werden.<br />
Erweiterung um Krümmung Die Methode von Davies et al. sucht eine kompakte Beschreibung<br />
der Positionen der Punkte auf den Oberflächen der Formen. Damit wird aber die Geometrie,<br />
ein wichtiges Charakteristikum, ignoriert.<br />
Thodberg und Olafsdottir [TO03] erweitern den Ansatz <strong>für</strong> 2D-Formen, indem sie außer der<br />
Kompaktheit noch die Übereinstimmung der Krümmung der Oberflächen optimieren. Die Übertragung<br />
dieser Idee auf <strong>3D</strong>-Formen ist Gegenstand zukünftiger Forschung.<br />
20<br />
(26)
5.3 Matching mit Formdeskriptoren<br />
5.3.1 Modal Matching<br />
Sclaroff und Pentland [SP95] hatten in einem früheren Verfahren, ähnlich dem Prinzip der Abbildung<br />
auf Zwischenoberflächen, die Korrespondenz gesucht, indem sie einen elastischen Körper<br />
durch Federn mit den Punkten der Form verbunden haben. Unter der Kraft, die durch die Federn<br />
auf den Körper wirkt, paßt er sich an die Form an, bis er ein dynamisches Gleichgewicht<br />
erreicht:<br />
M Ü + D ˙ U + KU = R, (27)<br />
wobei M die Massenmatrix, U die Knotenverschiebungen, D die Reibungsmatrix, K die Steifigkeitsmatrix<br />
und R die Matrix der Federkräfte darstellen. Der genaue Aufbau dieses Finite-<br />
Elemente-Modells findet sich in [SP95]. Mittels einer Eigenanalyse findet man eine analytische<br />
Lösung <strong>für</strong> diese Gleichung. Führt man dies <strong>für</strong> mehrere Formen durch, kann man direkt die<br />
Punktkorrespondenz ablesen, wenn man beobachtet, welche Punkte auf korrespondierende Orte<br />
des elastischen Körpers projeziert werden.<br />
Die Autoren vermeiden mit dem neuen Modal Matching bewußt die kanonische Parametrisierung,<br />
die dem vorigen Verfahren innewohnte. Sie plädieren da<strong>für</strong>, daß die Daten selbst ihre<br />
natürliche Parametrisierung bestimmen. Sie benutzen eine Repräsentation der Formen durch<br />
ein lokales Koordinatensystem, welches ebenfalls auf einem Finite-Elemente-Modell aufbaut. In<br />
dieser neueren Variante werden aber die Punkte der Form als Knoten des Modells verwendet,<br />
es gibt keinen Zwischenkörper, der verformt wird.<br />
Abbildung 12: Systemdiagramm (aus Sclaroff und Pentland [SP95]).<br />
Die Eigenmoden dieses Modells, auch Modale Formvektoren genannt, geben an, wie ein Modus<br />
den Formvektor (s. Gl. (1)) durch Verschiebung der Punkte deformiert (a ∈ R):<br />
v ′ n = vn + ap k<br />
Die kartesischen Koordinaten eines Punktes können eindeutig der Art und Weise, wie er sich<br />
innerhalb jedes Eigenmodus bewegt, zugeordnet werden. Die Verschiebungsvektoren eines Punktes<br />
unter allen Moden p k erzeugen eine Verschiebungssignatur. Die einzelnen Schritte werden<br />
durch Abbildung 12 illustriert.<br />
Zur Korrespondenzfindung wird ausgenutzt, daß ähnliche Formen ähnliche niederfrequente Eigenmoden<br />
aufweisen (s. Abb. 13), selbst unter affinen oder nicht-linearen geometrischen Transformationen.<br />
Die Übereinstimmung der Richtungen der Verschiebungsvektoren der niederfrequenten<br />
Moden <strong>für</strong> pi ∈ Si und pj ∈ Sj wird gemessen (Modal Matching) unter Verwendung<br />
21<br />
(28)
einer Assoziatonsmatrix nach Shapiro und Brady [SB92]. In Abbildung 13 sieht man, daß die<br />
mit Vektoren versehenen Punkte der Formen a) und b) korrespondieren, während der markierte<br />
Punkt der Form c) eine deutlich unterschiedliche Verschiebungssignatur besitzt. <strong>Das</strong> Konsistenz-<br />
Abbildung 13: 1. Spalte: Ähnliche Originalformen. 2.-5. Spalte: Fünf niederfrequente<br />
Moden. Zusätzlich sind die Verschiebungsvektoren jedes Modus <strong>für</strong> drei ausgewählte<br />
Punkte der Formen eingezeichnet (aus Sclaroff und Pentland [SP95]).<br />
problem wird durch diesen Ansatz dadurch gelöst, daß dem Modell nicht die exakten Positionen<br />
der Knoten zugrundeliegen, sondern Punkte, die durch Gaußsche Interpolationsfunktionen<br />
verschmiert werden. <strong>Das</strong> kann man sich als eine Anreicherung des Knotenmodells mit einer weichen<br />
Füllmasse vorstellen. Wegen der Komplexität des Finite-Elemente-Modells kann eine dichte<br />
Punktkorrespondenz nicht direkt gesucht werden. In einem Multiskalenverfahren wird deshalb<br />
anfangs mit einer niedrigen Auflösung des Modells gearbeitet, in das nur wenige Knoten eingehen.<br />
Wegen der verwendeten Interpolationsfunktionen können dann die Knotenverschiebungen<br />
dieses Modells auf eines einer höheren Auflösung übertragen werden.<br />
6 Diskussion und Ausblick<br />
Es wurde eine Auswahl bekannter Verfahren zur Korrespondenzfindung bei der Erzeugung statistischer<br />
<strong>3D</strong>-<strong>Formmodelle</strong> in biomedizinischen Anwendungen vorgestellt. Die Verfahren wurden<br />
aufgrund einer mathematischen Formulierung des <strong>Korrespondenzproblem</strong>s klassifiziert und verglichen.<br />
Sie unterscheiden sich weiterhin in ihrer Allgemeinheit bezüglich der Topologie der Formen: Die<br />
auf der Bildregistrierung und auf der Verwendung von Formdeskriptoren basierenden Verfahren<br />
sind <strong>für</strong> Formen beliebiger Topologie anwendbar, während solche, die über eine kanonische<br />
Parametrisierung eine implizite Korrespondenz suchen, grundsätzlich auf die Topologie des Parameterraumes<br />
eingeschränkt sind. Lamecker et al. (s. Kap. 5.2.1) umgehen das Problem durch<br />
Zerlegung der Form in Flächenstücke, die topologisch äquivalent einer Kreisscheibe sind.<br />
Die Komplexität der Verfahren wurde lediglich hinsichtlich der verwendeten Optimierungsverfahren<br />
bewertet. Da es sich um Standardverfahren handelt, deren eingehende Analyse über den<br />
Rahmen dieser Arbeit hinausgeht, muss hier eine grobe Einteilung genügen: Lineare Optimierungsprobleme<br />
sind die Verfahren von Lamecker et al. sowie, abgesehen vom Registrierungsschritt,<br />
das von Brett und Taylor (s. Kap. 5.2.1). Der Ansatz von Sclaroff und Pentland (s. Kap.<br />
5.3.1) wird ebenfalls in geschlossener Form gelöst. Die Bildregistrierung ist ein nichtlineares Optimierungsproblem,<br />
welches sich mit Gradientenverfahren erster und zweiter Ordnung lösen läßt.<br />
Für die Optimierung der Minimalen Beschreibungslänge wurden bisher ineffiziente, nichtgradientenbasierte<br />
nichtlineare Optimierer verwendet, kürzlich wurde jedoch ein Gradientenverfahren<br />
erster Ordnung präsentiert [E˚A03].<br />
Voraussichtlich werden Verfahren zur Korrespondenzfindung in Zukunft vermehrt geometrische<br />
und andere strukturelle Formeigenschaften wie den Formkontext in das Kostenfunktional aufnehmen,<br />
um der Korrespondenz eine größere anatomische Fundierung zu verleihen. Für die<br />
22
ICP-basierten Verfahren wäre das analog zu schon vorhandenen Erweiterungen <strong>für</strong> den klassischen<br />
ICP-Algorithmus leicht möglich [SLW02].<br />
Bei der Analyse der Verfahren wurde darauf geachtet, inwieweit sie der Anforderung, anatomisch<br />
plausible Korrespondenzen zu liefern, genügen. Dieses Kriterium ist schwer theoretisch zu<br />
definieren, es unterliegt vielmehr dem subjektiven Urteil medizinisch geschulter Experten. Daher<br />
sind die semiautomatischen Verfahren von Lamecker et al. (s. Kap. 5.2.1) sowie von Wang und<br />
Staib (s. Kap. 5.1.2) in diesem Sinne positiv zu bewerten. Für automatisierte Verfahren ist es<br />
naheliegend, die Geometrie bzw. die Topographie der Formen in die Korrespondenzfindung einzubeziehen,<br />
was aber nur bei den verwandten Registrierungsverfahren von Caunce und Taylor<br />
sowie Subsol et al. (s. Kap. 5.1.2), bei den Parametrisierungsverfahren von Kelemen et al. (s.<br />
Kap. 5.2.1), Brett und Taylor (s. Kap. 5.2.1), Lamecker et al. (s. Kap. 5.2.1) sowie Thodberg<br />
und Olafsdottir (s. Kap. 5.2.2) geschieht.<br />
Cootes zufolge wird man ein Zusammenwachsen der bisher eher getrennten Forschungen im<br />
Bereich der Korrespondenzfindung zur statistischen Modellbildung und der Bildregistrierung erleben<br />
[CTTN02], was durch die hier vorgestellten Bildregistrierungsansätze belegt wird.<br />
Eine interessante Fragestellung ist, inwieweit sich die Volumenregistrierung nach Frangi et al.<br />
(s. Kap. 5.1.1) durch eine Erweiterung des Funktionals um Geometriemaße verbunden mit topographischen<br />
Informationen (Distanztransformation) verbessern läßt. Ein entsprechender Ansatz<br />
wurde skizziert (s. Kap. 5.1.1).<br />
23
Literatur<br />
[AFP00] Audette, M., Ferrie, F., Peters, T.: An Algorithmic Overview of Surface Registration<br />
Techniques for Medical Imaging. In: MIA 4 (2000), Nr. 3, S. 201–217<br />
[Bet97] Betten, J.: Finite Elemente <strong>für</strong> Ingenieure. Bd. 1. Berlin und Heidelberg: Springer Verlag,<br />
1997<br />
[BGK95] Brechbühler, C., Gerig, G., Kübler, O.: Parametrization of Closed Surfaces for 3-D<br />
Shape Description. In: CVIU 61 (1995), S. 154–170<br />
[BKOS98] de Berg, M., van Kreveld, M., Overmars, M., Schwarzkopf, O.: Computational Geometry,<br />
Algorithms and Applications. 2. Auflage. Berlin und Heidelberg: Springer Verlag,<br />
1998<br />
[BM92] Besl, P.J., McKay, N.D.: A Method for Registration of 3-D Shapes. In: IEEE Trans. PAMI<br />
14 (1992), Nr. 2, S. 239–256<br />
[BMP02] Belongie, S., Malik, J., Puzicha, J.: Shape Matching and Object Recognition Using Shape<br />
Contexts. In: IEEE Trans. PAMI 24 (2002), Nr. 4, S. 509–522<br />
[Boo89] Bookstein, F.L.: Principal Warps: Thin-Plate Splines and the Decomposition of Deformations.<br />
In: IEEE Trans. PAMI 11 (1989), Nr. 6, S. 567–585<br />
[Bor96] Borgefors, G.: On Digital Distance Transforms in Three Dimensions. In: CVIU 64 (1996),<br />
Nr. 3, S. 368–376<br />
[BT00] Brett, A.D., Taylor, C.J.: Automated Construction of <strong>3D</strong> Shape Models Using Harmonic<br />
Maps. In: MIUA (2000), S. 175–178<br />
[CHTH93] Cootes, T.F., Hill, A., Taylor, C.J., Haslam, J.: The Use of Active Shape Models for<br />
Locating Structures in Medical Images. In: Proc. 13th ICIPMI, 1993, S. 33–47<br />
[Coo04] Cootes, T.F.: Timeline of Developments in Algorithms for Finding Correspondences Across<br />
Sets of Shapes / Wolfson Image Analysis Unit, Universität Manchester. 2004. – Forschungsbericht.<br />
http://www.isbe.man.ac.uk<br />
[CR03] Chui, H., Rangarajan, A.: A New Point Matching Algorithm for Non-Rigid Registration.<br />
In: CVIU 89 (2003), Nr. 2/3, S. 114–141<br />
[CT99] Caunce, A., Taylor, C.J.: Using Local Geometry to Build <strong>3D</strong> Sulcal Models. In: Proc.<br />
16th ICIPMI, 1999, S. 196–209<br />
[CT01] Cootes, T.F., Taylor, C.J.: Statistical Models of Appearance for Computer Vision /<br />
Wolfson Image Analysis Unit, Universität Manchester. 2001. – Entwurf<br />
[CTCG95] Cootes, T.F., Taylor, C.J., Cooper, D.H., Graham, J.: Active Shape Models - their<br />
Training and Application. In: CVIU 61 (1995), Nr. 1, S. 38–59<br />
[CTTN02] Cootes, T.F., Taylor, C.J., Twining, C., N.Thacker: A Framework for Building Deformable<br />
Atlases / Wolfson Image Analysis Unit, Universität Manchester. 2002. – Forschungsbericht<br />
[CZR04] Chui, H., Zhang, J., Rangarajan, A.: Unsupervised Learning of an Atlas from Unlabeled<br />
Point-Sets. In: IEEE Trans. PAMI 26 (2004), Nr. 2, S. 160–172<br />
[DTC + 02] Davies, R.H., Twining, C.J., Cootes, T.F., Waterton, J.C., Taylor, C.J.: <strong>3D</strong> Statistical<br />
Shape Models Using Direct Optimisation of Description Length. In: Proc. 7th ECCV Bd. 3,<br />
2002, S. 3–20<br />
[E˚A03] Ericsson, A., ˚Aström, K.: Minimizing the Description Length Using Steepest Descent. In:<br />
14th BMVC Bd. 2, 2003, S. 93–102<br />
[ERD + 95] Eck, M., de Rose, T., Duchamp, T., Hoppe, H., Lounsberry, M., Stuetzle, W.: Multiresolution<br />
Analysis of Arbitrary Meshes. In: Proc. SIGGRAPH Bd. 29, 1995, S. 173–182<br />
[FLJ99] Fleute, M., Lavallée, S., Julliard, R.: Incorporating a Statistically Based Shape Model<br />
into a System for Computed-Assisted Anterior Cruciate Ligament Surgery. In: MIA 3 (1999),<br />
Nr. 3, S. 209–222<br />
[Flo97] Floater, M.S.: Parametrization and Smooth Approximation of Surface Triangulations. In:<br />
Computer Aided Geometric Design 14 (1997), S. 231–250<br />
24
[FRSN02] Frangi, A.F., Rückert, D., Schnabel, J.A., Niessen, W.J.: Automatic Construction of<br />
Multiple-Object Three-Dimensional Shape Models: Application to Cardiac Modeling. In:<br />
IEEE Trans. MI 21 (2002), Nr. 9, S. 1151–1166<br />
[GD86] Greiner, W., Diehl, H.: Theoretische Physik - Ein Lehr- und Übungsbuch <strong>für</strong> Anfangssemester.<br />
Bd. 3: Elektrodynamik. Zürich u. Frankfurt a.M.: Verlag H. Deutsch, 1986<br />
[HBHH01] Hill, D.G.L., Batchelor, P.G., Holden, M., Hawkes, D.J.: Medical Image Registration.<br />
In: Physics in Medicine and Biology 46 (2001), S. 1–45<br />
[HHI95] Higuchi, K., Hebert, M., Ikeuchi, K.: Building <strong>3D</strong> Models from Unregistered Range<br />
Images. In: Graphical Models and Image Processing 57 (1995), Nr. 4, S. 315–333<br />
[JH97] Johnson, A., Hebert, M.: Surface Registration by Matching Oriented Points. In: Proc.<br />
<strong>3D</strong>IM., 1997<br />
[Jol86] Jolliffe, I.T.: Principal Component Analysis. 1. Auflage. New York: Springer Verlag, 1986<br />
[KG92] Khambamettu, C., Goldgof, D.B.: Point Correspondence Recovery in Non-Rigid Motion.<br />
In: IEEE CVPR’92, 1992, S. 222–227<br />
[KNFM04] Kabus, S., Netsch, T., Fischer, B., Modersitzki, J.: B-Spline Registration of <strong>3D</strong> Images<br />
with Levenberg-Marquardt Optimization. In: Proc. SPIE MI Bd. 5370, 2004<br />
[KPNK03] Körtgen, M., Park, G.-J., Novotni, M., Klein, R.: <strong>3D</strong> Shape Matching with <strong>3D</strong> Shape<br />
Contexts. In: The 7th Central European Seminar on Computer Graphics, 2003<br />
[KSG99] Kelemen, A., Székely, G., Gerig, G.: Elastic Model-Based Segmentation of <strong>3D</strong> Neuroradiological<br />
Data Sets. In: IEEE Trans. MI 18 (1999), Nr. 10, S. 828 –839<br />
[LC87] Lorensen, W.E., Cline, H.E.: Marching Cubes: A High Resolution <strong>3D</strong> Surface Construction<br />
Algorithm. In: Computer Graphics 21 (1987), Nr. 4, S. 163–169<br />
[LK00] Lorenz, C., Krahnstöver, N.: Generation of Point-Based <strong>3D</strong> Statistical Shape Models for<br />
Anatomical Objects. In: CVIU 77 (2000), S. 175–191<br />
[LLS03] Lamecker, H., Lange, T., Seebaß, M.: Segmentation of the Liver Using a <strong>3D</strong> Statistical<br />
Shape Model. 2003. – eingereicht<br />
[LWS97] Lee, S., Wolberg, G., Sung, Y.S.: Scattered Data Interpolation with Multilevel B-Splines.<br />
In: IEEE Trans. on Visualization and Computer Graphics 3 (1997), Nr. 3, S. 337–354<br />
[Mar72] Mardia, K.V.: Statistics of Directional Data. London: Academic Press, 1972<br />
[MMF98] Maurer, C.R., Macunias, R.J., Fitzpatrick, J.M.: Registration of Head CT Images to<br />
Physical Space Using a Weighted Combination of Points and Surfaces. In: IEEE Trans. MI<br />
Bd. 17, 1998, S. 753–61<br />
[MT96] McInerney, T., Terzopoulos, D.: Deformable Models in MIA. In: Proc. IEEE Workshop<br />
on Mathematical Methods in Biomedical Image Analysis. San Francisco, 1996, S. 171–180<br />
[PTVF93] Press, W.H., Teukolsky, S.A., Vetterling, W.T., Flannery, B.P.: Numerical Recipes<br />
in C. Cambridge University Press, 1993<br />
[RL01] Rusinkiewicz, S., Levoy, M.: Efficient Variants of the ICP Algorithm. In: Proc. of Third<br />
International Conference on <strong>3D</strong> Digital Imaging and Modelling, 2001, S. 145–152<br />
[Roh00] Rohlfing, T.: Multimodale Datenfusion <strong>für</strong> die bildgesteuerte Neurochirurgie und Strahlentherapie,<br />
Technische Universität Berlin, Diss., 2000<br />
[SB92] Shapiro, L., Brady, J.: Feature-Based Correspondence: An Eigenvector Approach. In:<br />
Image and Vision Computing 10 (1992), S. 283–288<br />
[SL96] Szeliski, R., Lavallée, S.: Matching 3-D Anatomical Surfaces with Non-Rigid Deformations<br />
using Octree-Splines. In: IJCV 18 (1996), Nr. 2, S. 171–186<br />
[SLW02] Sharp, G.C., Lee, S.W., Wehe, D.K.: ICP Registration Using Invariant Features. In: IEEE<br />
Trans. PAMI 24 (2002), Nr. 1, S. 90–102<br />
[SP95] Sclaroff, S., Pentland, A.P.: Modal Matching for Correspondence and Recognition. In:<br />
IEEE Trans. PAMI 17 (1995), Nr. 6, S. 545–561<br />
25
[STA98] Subsol, G., Thirion, J.-P., Ayache, N.: A Scheme for Automatically Building Three-<br />
Dimensinal Morphometric Anatomical Atlases: Application to Skull Atlas. In: MIA 2 (1998),<br />
Nr. 1, S. 37–60<br />
[Sze89] Szeliski, R.: Bayesian Modeling of Uncertainty in Low-Level Vision. Boston, Massachusetts:<br />
Kluwer Academic Publishers, 1989<br />
[TO03] Thodberg, H.H., Olafsdottir, H.: Adding Curvature to Minimum Description Length<br />
Shape Models. In: 14th BMVC Bd. 2, 2003, S. 251–260<br />
[WPS00] Wang, Y., Peterson, B. S., Staib, L.H.: Shape-Based <strong>3D</strong> Surface Correspondence Using<br />
Geodesics and Local Geometry. In: Proc. CVPR Bd. II, 2000, S. 644–651<br />
[WPS03] Wang, Y., Peterson, B.S., Staib, L.H.: <strong>3D</strong> Brain Surface Matching Based on Geodesics<br />
and Local Geometry. In: CVIU 89 (2003), S. 252–271<br />
[Wün97] Wünsch, V.: Differentialgeometrie. Kurven und Flächen. Stuttgart und Leipzig: Teubner<br />
Verlagsgesellschaft, 1997<br />
[XF04] Xie, Z., Farin, G.: Image Registration Using Hierarchical B-Splines. In: IEEE Trans. on<br />
Visualization and Computer Graphics 10 (2004), Nr. 1, S. 85–94<br />
[ZSH00] Zöckler, M., Stalling, D., Hege, H.-C.: Fast and Intuitive Generation of Geometric Shape<br />
Transitions. In: The Visual Computer 16 (2000), Nr. 5, S. 241–253<br />
26