A Diffeomorphism Groupoid and Algebroid Framework for Discontinuous Image Registration

Dit artikel introduceert een nieuw wiskundig raamwerk op basis van diffeomorfismegroepoiden en -algebroiden dat de traditionele LDDMM-methode uitbreidt om discontinuïteiten langs glijdende grenzen in beeldregistratie effectief te modelleren.

De kern

Een Nieuwe Manier om Beelden te Plakken: Hoe Wiskunde Helpt bij "Glijdende" Organen

Stel je voor dat je twee foto's van een menselijk lichaam hebt: één van iemand die diep inademt en één van iemand die uitademt. In de longen gebeurt er iets fascinerends: het longweefsel glijdt langs de ribbenkast en het hart. Het is alsof twee lagen van een taart over elkaar heen schuiven.

De meeste bestaande computersoftware voor het vergelijken van deze foto's (een proces dat image registration heet) werkt alsof het lichaam een stukje zachte deeg is. Als je de foto's probeert aan te passen, trekt de software het deeg zachtjes en soepel. Maar longen zijn geen deeg; ze glijden! Als je een deeg-achtige software gebruikt op longen, krijg je een wazig, onnatuurlijk beeld waar de scherpe randen van de glijdende beweging verdwijnen.

In dit paper stellen de auteurs een nieuwe wiskundige manier voor om dit probleem op te lossen. Ze noemen het een "Diffeomorfisme Groepoid". Laten we dat ingewikkelde woord eens opbreken met een paar simpele metaforen.

1. Het Probleem: De "Deeg" vs. De "Glijbaan"

Stel je voor dat je twee foto's van een dansvloer hebt.

• De oude methode (LDDMM): Dit werkt als een grote, gladde rubberen laken. Als je de lakens wilt laten overeenkomen, trek je ze zachtjes. Alles blijft soepel en verbonden. Maar als er twee mensen op de vloer zijn die langs elkaar heen glijden (zoals longen tegen de ribben), dan wordt de rubberen laken uitgerekt en vervormd op een onnatuurlijke manier. De scherpe grens tussen de glijdende delen gaat verloren.
• De nieuwe methode: De auteurs zeggen: "Wacht even, we hoeven niet één groot, glad laken te hebben. We kunnen het beeld opdelen in stukken die soepel zijn, maar die langs een specifieke lijn (de glijbaan) wel mogen schuiven."

2. De Oplossing: Een "Groepoid" (Een Slimme Puzzel)

In de wiskunde noemen ze dit een Lie Groepoid.

• De Metafoor: Denk aan een grote puzzel. De oude methode probeerde de hele puzzel als één groot, flexibel vel te behandelen. De nieuwe methode kijkt naar de puzzel als een verzameling losse stukken die weliswaar perfect passen binnen hun eigen stukje (bijvoorbeeld binnen de long of binnen de ribbenkast), maar die langs de randen van die stukken wel mogen schuiven.
• Het systeem houdt rekening met de "glijlijn" (de vortex sheet). Het zegt: "Binnen dit gebied mag alles soepel vervormen, maar op deze lijn mogen de twee kanten langs elkaar schuiven zonder dat het beeld scheurt of wazig wordt."

3. De Wiskundige Motor: De "Glijdende Stroom"

Om dit te berekenen, gebruiken ze een nieuwe soort wiskundige motor, gebaseerd op de Euler-Arnold vergelijking.

• De Metafoor: Stel je voor dat je een rivier hebt die stroomt. Normaal gesproken stroomt het water soepel. Maar stel je voor dat er een rots in de rivier ligt waar het water langs schuift. De oude wiskunde probeerde de rots glad te maken. De nieuwe wiskunde accepteert de rots en berekent precies hoe het water eromheen moet stromen en langs de rots moet glijden, zonder dat de stroming kapotgaat.
• Ze gebruiken een "inertie-operator" (een soort gewichtsberekening) om te zorgen dat de beweging zo natuurlijk en energiezuinig mogelijk is, maar dan met de mogelijkheid om te "knikken" op de juiste plekken.

4. Wat Leverde Het Op? (De Testen)

De auteurs hebben hun nieuwe methode getest:

1. Met simpele blokken: Ze lieten twee blokken langs elkaar schuiven. De oude methode maakte het beeld wazig. De nieuwe methode hield de scherpe randen perfect scherp.
2. Met longbeelden: Ze keken naar echte foto's van longen bij in- en uitademing.
   • Resultaat: De nieuwe methode kon de beweging van de longen tegen de ribbenkast perfect volgen. De "glijlijnen" bleven scherp, terwijl het binnenste van de longen soepel bewoog. Het resultaat was veel natuurgetrouwer dan met de oude methoden.

Conclusie: Waarom is dit belangrijk?

Voor artsen is het cruciaal om te zien hoe tumoren bewegen of hoe longen werken tijdens het ademen. Als de software de beweging "wazig" maakt, kunnen ze de exacte positie van een tumor missen of de straling niet precies genoeg richten.

Deze nieuwe wiskundige methode is als een slimme, flexibele handschoen die niet alleen soepel is, maar ook weet waar je vingers mogen glijden. Het zorgt ervoor dat computers beelden kunnen vergelijken die "breken" of "glijden", zonder dat de kwaliteit van het beeld verloren gaat.

Kortom: Ze hebben de wiskunde van "soepel deeg" uitgebreid naar "slimme glijbanen", zodat we medische beelden veel nauwkeuriger kunnen analyseren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "A Diffeomorphism Groupoid and Algebroid Framework for Discontinuous Image Registration" in het Nederlands.

Probleemstelling

Beeldregistratie (image registration) is een fundamentele techniek in de medische beeldverwerking om ruimtelijke vervormingen tussen twee of meer afbeeldingen te vinden. Traditionele methoden, zoals Large Deformation Diffeomorphic Metric Mapping (LDDMM), baseren zich op Lie-groepen van gladde, continue diffeomorfismen. Deze methode veronderstelt dat snelheidsvelden continu en glad zijn.

Echter, in veel medische toepassingen, zoals bij de registratie van longweefsel tijdens het ademhaling, treedt er discontinue glijbeweging op tussen weefsels en omliggende structuren. De traditionele LDDMM-methode faalt hierbij omdat ze deze discontinuïteiten niet kan modelleren; ze probeert de beweging te "gladstrijken", wat leidt tot onnauwkeurige vervormingen en vage grenzen. Er is behoefte aan een wiskundig kader dat discontinuïteiten langs glijvlakken toelaat, terwijl de diffeomorfische eigenschappen (behoud van structuur en topologie) binnen homogene gebieden behouden blijven.

Methodologie

De auteurs stellen een nieuw wiskundig kader voor dat voortbouwt op de theorie van Lie-groepoiden en Lie-algebroiden, geïnspireerd door werk van Izosimov en Khesin over vortexsheets in vloeistofmechanica.

1. Discontinue Diffeomorfisme Groepoid ($DDiff(M)$):

   • In plaats van een enkele Lie-groep, definiëren de auteurs een Lie-groepoid $DDiff(M) \Rightarrow V(M)$.
   • Hierbij is $M$ een Riemannse variëteit en $V(M)$ de ruimte van hypersurfaces (glijvlakken) die $M$ verdelen in twee gebieden ($D^+$ en $D^-$).
   • Elementen van de groepoid zijn kwadrupels $(\Gamma_1, \Gamma_2, \phi^+, \phi^-)$, waarbij $\Gamma$ het glijvlak voorstelt en $\phi^\pm$ diffeomorfismen zijn die gedefinieerd zijn op de respectievelijke gebieden. Dit stelt het model in staat om verschillende vervormingen in de gebieden te laten plaatsvinden, gescheiden door een discontinuïteit langs $\Gamma$.

2. Lie-algebroid en Duale Ruimte:

   • De bijbehorende Lie-algebroid $DVect(M)$ bestaat uit discontinue vectorvelden. Een belangrijk kenmerk is dat de normaalcomponenten van de vectorvelden continu zijn over het grensvlak $\Gamma$, terwijl de tangentiële componenten een sprong (jump) kunnen maken.
   • De auteurs definiëren de duale ruimte $DVect(M)^*$ als momentumruimte, bestaande uit discontinue 1-vorm-dichtheden.
   • Een cruciale aanpassing ten opzichte van eerdere werken (die incompressibel waren) is dat dit model compressibel is, wat essentieel is voor beeldregistratie waar volumeveranderingen optreden.

3. Euler-Arnold Vergelijkingen:

   • Door een traagheidsoperator (inertia operator) te definiëren, wordt een metriek op de algebroid geïntroduceerd.
   • De auteurs leiden de Euler-Arnold vergelijkingen af voor dit systeem. Deze vergelijkingen besturen de optimale stroming (geodesics) die de registratie minimaliseert.
   • De vergelijkingen bevatten extra termen die de discontinuïteit langs het glijvlak $\Gamma$ regelen, waaronder termen die de "jump" (sprong) in het momentum en de divergentie van het veld over het grensvlak beschrijven.

4. Registratie Formulier:

   • Het registratieprobleem wordt geformuleerd als het minimaliseren van een energiefunctionaal bestaande uit een vergelijkbaarheidsterm (bijv. LNCC) en een regularisatieterm gebaseerd op de metriek van de groepoid.
   • De oplossing wordt gevonden door de Euler-Arnold vergelijkingen numeriek te integreren.

Belangrijkste Bijdragen

1. Wiskundige Generalisatie: Uitbreiding van de klassieke LDDMM-framework (gebaseerd op Lie-groepen) naar een Lie-groepoid-framework dat specifiek is ontworpen voor discontinue vervormingen.
2. Compressibele Uitbreiding: De auteurs passen de theorie van vortexsheets (oorspronkelijk voor incompressibele vloeistoffen) aan voor compressibele gevallen, wat noodzakelijk is voor beeldregistratie.
3. Afleiding van Vergelijkingen: Een rigoureuze afleiding van de Euler-Arnold vergelijkingen en de bijbehorende Poisson-haakjes voor de duale Lie-algebroid in de compressibele setting.
4. Numerieke Validatie: Implementatie van het model in de mermaid bibliotheek (PyTorch) en validatie op zowel synthetische als echte medische data.

Resultaten

De auteurs hebben hun methode getest op drie scenario's:

1. Synthetische Rechthoeken: Twee rechthoeken die langs elkaar glijden.
   • LDDMM: Produceert vage grenzen en onrealistische vervormingen.
   • Total Variation (TV): Kan de discontinuïteit vastleggen maar leidt vaak tot onrealistische, scherpe artefacten.
   • Aangeboden Methode: Behoudt de scherpe discontinuïteit perfect terwijl de binnenkant van de gebieden glad blijft.
2. Synthetische Wielen: Binnendeel en buitendeel draaien in tegengestelde richtingen.
   • De voorgestelde methode behoudt de grens tussen de delen nauwkeurig, terwijl LDDMM de beweging "vermengt".
3. Echte Longbeelden: Registratie van longen tijdens in- en uitademing.
   • De methode slaagt erin om de glijbeweging tussen het longweefsel en de borstkas nauwkeurig te modelleren zonder de structuur van de longen te beschadigen.

Kwaliteitsmetrieken:
De prestaties werden gemeten met Relative Sum of Squared Differences (Re SSD), Normalized Correlation Coefficient (NCC) en Structural Similarity (SSIM). De voorgestelde methode scoorde beter dan zowel LDDMM als TV-regularisatie op alle metrieken voor de synthetische en medische datasets.

Betekenis en Toekomstperspectief

Dit werk biedt een wiskundig robuust kader om een van de grootste uitdagingen in de medische beeldregistratie op te lossen: het modelleren van glijbewegingen zonder de topologische integriteit van de weefsels te verliezen.

• Significantie: Het overbrugt de kloof tussen de wiskunde van vloeistofmechanica (vortexsheets) en medische beeldverwerking, waardoor nauwkeurigere bewegingsanalyse mogelijk wordt voor toepassingen zoals tumorstralingstherapie.
• Toekomst: De auteurs benadrukken dat een geautomatiseerde segmentatie van de glijvlakken (in plaats van handmatige voorafgaande segmentatie) een belangrijke volgende stap is. Daarnaast is uitbreiding naar 3D-imaging een lopend onderzoeksproject.