En neuroimagen , la normalización espacial es un paso de procesamiento de imágenes , más específicamente un método de registro de imágenes . Los cerebros humanos difieren en tamaño y forma, y un objetivo de la normalización espacial es deformar los escáneres cerebrales humanos para que una ubicación en el escáner cerebral de un sujeto corresponda a la misma ubicación en el escáner cerebral de otro sujeto.
A menudo se realiza en neuroimágenes funcionales basadas en la investigación donde se desea encontrar una activación cerebral común en múltiples sujetos humanos. La exploración del cerebro se puede obtener a partir de escáneres de resonancia magnética (MRI) o tomografía por emisión de positrones (PET).
Hay dos pasos en el proceso de normalización espacial:
- Especificación / estimación del campo warp
- Aplicación de campo warp con remuestreo
La estimación del campo de deformación se puede realizar en una modalidad, por ejemplo, MRI, y se puede aplicar en otra modalidad, por ejemplo, PET, si existen exploraciones de MRI y PET para el mismo sujeto y están coregistradas .
La normalización espacial generalmente emplea un modelo de transformación no rígido tridimensional (un "campo de deformación ") para deformar un escaneo cerebral a una plantilla. El campo de deformación podría parametrizarse mediante funciones básicas como coseno y polinomia .
Diffeomorfismos como transformaciones composicionales de coordenadas
Alternativamente, muchos métodos avanzados para la normalización espacial se basan en la estructura que preserva los homeomorfismos y difeomorfismos de las transformaciones, ya que llevan subvariedades suaves sin problemas durante la transformación. Los diffeomorfismos se generan en el campo moderno de la Anatomía Computacional basados en flujos difeomorfos, también llamados mapeo difeomórfico . Sin embargo, tales transformaciones vía difeomorfismos no son aditivas, aunque forman un grupo con composición de funciones y actuando de forma no lineal sobre las imágenes vía acción grupal . Por ello, los flujos que generalizan las ideas de grupos aditivos permiten generar grandes deformaciones que preservan la topología, proporcionando 1-1 y sobre transformaciones. Los métodos computacionales para generar dicha transformación a menudo se denominan LDDMM [1] [2] [3] [4] que proporcionan flujos de difeomorfismos como la principal herramienta computacional para conectar sistemas de coordenadas correspondientes a los flujos geodésicos de Anatomía Computacional .
Hay varios programas que implementan tanto la estimación como la aplicación de un campo warp. Es parte de los programas SPM y AIR , así como de MRI Studio y MRI Cloud.org [5] [6]
Ver también
Referencias
- ^ Toga, Arthur W. (17 de noviembre de 1998). Deformación cerebral . Prensa académica. ISBN 9780080525549.
- ^ "Coincidencia de puntos de referencia en las superficies del cerebro a través de difeomorfismos de gran deformación en la esfera - Universidad de Utah" . utah.pure.elsevier.com . Consultado el 21 de marzo de 2016 .
- ^ Beg, M. Faisal; Miller, Michael I .; Trouvé, Alain; Younes, Laurent (2005). "Computación de mapas de métricas de gran deformación a través de flujos geodésicos de difeomorfismos" . Revista Internacional de Visión por Computador . 61 (2): 139-157. doi : 10.1023 / B: VISI.0000043755.93987.aa . S2CID 17772076 . Consultado el 21 de marzo de 2016 .
- ^ Joshi, SC; Miller, MI (1 de enero de 2000). "Emparejamiento de puntos de referencia a través de grandes difeomorfismos de deformación". Transacciones IEEE sobre procesamiento de imágenes . 9 (8): 1357-1370. Código bibliográfico : 2000ITIP .... 9.1357J . doi : 10.1109 / 83.855431 . ISSN 1057-7149 . PMID 18262973 .
- ^ https://mricloud.org/ . Falta o vacío
|title=
( ayuda ) - ^ https://www.mristudio.org/wiki/ . Falta o vacío
|title=
( ayuda )