Point Cloud Registration for Fusion between SPECT MPI and CTA Images

1. Probleemstelling

De klinische fusie van Single Photon Emission Computed Tomography Myocardial Perfusion Imaging (SPECT MPI) en Computed Tomography Angiography (CTA) is cruciaal voor de gelijktijdige beoordeling van myocardiale perfusie (functioneel) en coronaire anatomie (structureel). Deze fusie staat echter voor aanzienlijke uitdagingen:

• Misregistratie tussen modaliteiten: Verschillen in beeldvormingsfysica, resolutie, reconstructiealgoritmen en patiëntpositionering leiden tot misalignering.
• Lage resolutie en artefacten: SPECT-beelden lijden onder lage ruimtelijke resolutie en bewegingsartefacten, waardoor directe registratie op basis van intensiteit moeilijk wordt.
• Afhankelijkheid van handmatige landmarks: Huidige methoden vertrouwen vaak op handmatige selectie van landmarks, wat tijdrovend, subjectief en foutgevoelig is.
• Mislukte initialisatie: Directe fijnregistratie-algoritmen falen vaak vanwege grote initiële schaal- en oriëntatieverschillen tussen de twee modaliteiten.

2. Methodologie

De auteurs stellen een coarse-to-fine registratiekader voor dat U-Net-segmentatie, geautomatiseerde extractie van anatomische landmarks, schaalruimte-normalisatie en vergelijkende fijnregistratie integreert. De pijplijn bestaat uit vier hoofdfasen:

A. Geautomatiseerde segmentatie en generatie van puntwolken

• CTA-gegevens: Een U-Net-model segmenteert zowel het Epicardiale Regio van de Linker Ventrikel (LVER) als het Epicardiale Regio van de Rechter Ventrikel (RVER). Oppervlaktepuntwolken worden uit deze segmenten gehaald.
• SPECT-gegevens: Een gespecialiseerde pijplijn hersamplet kort-as (SAX) beelden naar een lang-as (LAX) perspectief om geometrische vervorming te verminderen. Een vooraf getrainde U-Net segmenteert de LVER, en het resulterende oppervlak wordt teruggemapt naar het oorspronkelijke Cartesische coördinatenstelsel om een puntwolk te genereren.

B. Geautomatiseerde extractie van landmarks (Asymmetrische strategie)

Om een robuuste initiële uitlijning tot stand te brengen, identificeert het systeem automatisch belangrijke anatomische landmarks:

• CTA-landmarks: Het snijvlak tussen de linker- en rechterventrikel wordt berekend met behulp van Principal Component Analysis (PCA) op contactpunten (afgeleid via dubbele k-d boom dichtste-buur-query's). Een Bézier-curve wordt gegenereerd langs de verbinding, en 9 punten worden gesampled als landmarks die het interventriculaire septum vertegenwoordigen.
• SPECT-landmarks: Omdat SPECT geen duidelijke RV-definitie heeft, schat het systeem het centrum, de apex en de basis in met behulp van RANSAC-cirkelpassing. Vervolgens wordt een lang-as rotatie-samplingstrategie geconstrueerd om het vlak met de maximale dekkingdichtheid te vinden, waarmee de interventriculaire verbinding wordt gesimuleerd. 18 punten worden gesampled langs een gegenereerde Bézier-curve.

C. Coarse registratie (Initialisatie)

Voordat de fijnregistratie plaatsvindt, wordt een Schaalruimte-Consistentie-voorverwerkingsstap toegepast:

1. Schaalnormalisatie: Eigenwaarden uit de covariantiematrices van beide puntwolken worden vergeleken om een isotrope schaalfactor af te leiden, waarbij de SPECT-puntwolk wordt herschaald om te matchen met het CTA-volume.
2. Landmark-gedreven uitlijning: De vooraf gesamplede landmarks van beide modaliteiten worden uitgelijnd met behulp van het Umeyama-algoritme om de optimale stijve transformatie (rotatie en translatie) op te lossen, waardoor een betrouwbare startpositie wordt geboden.

D. Fijnregistratie

Zes verschillende puntwolkenregistratie-algoritmen worden toegepast op de puntwolken van het Epicardiale Oppervlak van de Linker Ventrikel (LVES) om de uitlijning te verfijnen:

1. ICP (Iterative Closest Point)
2. SICP (Scaled ICP)
3. CPD Rigid (Coherent Point Drift - Rigid)
4. CPD Affine
5. CluReg (Cluster-based Registration)
6. FFD (Free-Form Deformation)
7. BCPD++ (Bayesian Coherent Point Drift++)

De transformatiematrices die uit deze puntwolkenregistraties worden afgeleid, worden vervolgens via kubieke spline-interpolatie (voor stijf/affien) of nearest-neighbor interpolatie (voor niet-stijve offsets) doorgegeven aan de originele 3D-voxelvolumes om de uiteindelijke beeldfusie te bereiken.

3. Belangrijkste bijdragen

1. Nieuw Coarse-to-Fine Kader: Een geünificeerde pijplijn die anatomische landmarkdetectie, schaalruimte-normalisatie en meerstapsverfijning combineert om registratie tussen modaliteiten robuust te hanteren.
2. Geautomatiseerde Asymmetrische Landmarking: Een methode om automatisch interventriculaire verbinding-landmarks te extraheren uit CTA (met behulp van de geometrie van beide ventrikels) en SPECT (met behulp van morfologische kenmerken), waardoor handmatige tussenkomst overbodig wordt.
3. Algoritme-onafhankelijke vergelijkende studie: Het kader maakt de plug-and-play-evaluatie mogelijk van meerdere fijnregistratie-algoritmen binnen dezelfde gestandaardiseerde pijplijn. Dit identificeert BCPD++ als de superieure performer, terwijl het bewijst dat de waarde van het kader ligt in de initialisatiestrategie en niet in één enkel algoritme.
4. Klinische toepasbaarheid: De aanpak behoudt coronaire details van sub-millimeter uit CTA, terwijl kwantitatieve SPECT-perfusiegegevens nauwkeurig worden overgelegd.

4. Experimentele resultaten

De studie werd geëvalueerd op een retrospectieve cohort van 60 patiënten (66 totale CTA-cases voor het trainen van de U-Net).

• Segmentatieprestaties: De U-Net behaalde een Dice Similarity Coefficient (DSC) van 0,9531 voor de Linker Ventrikel en 0,8460 voor de Rechter Ventrikel.
• Registratie-nauwkeurigheid (met Coarse Initialisatie):
  • BCPD++ presteerde beter dan alle andere methoden (ICP, SICP, CPD, CluReg, FFD).
  • Gemiddelde Puntwolk-afstand (MPE): 1,7 mm (vs. 3,8 mm voor ICP).
  • Apex-verplaatsingsfout (AE): 6,7° (vs. 12,0° voor ICP).
  • Gemiddelde Interventriculaire Groefafstand (MGE): 8,0 mm.
  • Fout in het centrum van het Groefvlak (GCE): 6,6 mm.
• Belang van Coarse Registratie: Een controle-experiment waarbij de coarse registratiestap werd overgeslagen, toonde catastrofale mislukking voor de meeste algoritmen. Bijvoorbeeld, zonder coarse initialisatie steeg de MPE voor BCPD++ licht (1,6 mm), maar sprong de Apex-verplaatsingsfout naar 51,1° en de MGE naar 38,6 mm, wat bewijst dat fijnregistratie alleen geen globale oriëntatie- en schaalfouten kan corrigeren.

5. Betekenis

Dit werk biedt een praktische, geautomatiseerde oplossing voor SPECT-CTA-fusie, waarbij de kritieke bottleneck van misalignering tussen modaliteiten wordt aangepakt. Door nauwkeurigheid op millimeter-niveau en oriëntatie-uitlijning op sub-graad-niveau te bereiken, maakt het kader mogelijk:

• Precieze Ischemielokalisatie: Nauwkeurig in kaart brengen van perfusiedefecten naar specifieke coronaire arteriegebieden.
• Functionele beoordeling op laesieniveau: Het correleren van structurele stenose (CTA) met functioneel effect (SPECT) in één coördinatenstelsel.
• Robuustheid: De "schaalruimte-consistentie" en landmark-gedreven initialisatie maken het systeem veerkrachtig voor de inherente resolutie- en contrastverschillen tussen SPECT en CTA, en bieden een betrouwbare basis voor klinische besluitvorming in de cardiologie.

Beschikbaarheid van code: De auteurs hebben de code publiek beschikbaar gesteld op https://github.com/MIILab-MTU/SPECTMPIAndCTAFusion.