[論文レビュー] A Comparative Analysis of Registration Tools: Traditional vs Deep Learning Approach on High Resolution Tissue Cleared Data

Abdullah Nazib, Clinton Fookes+1 more|arXiv (Cornell University)|Oct 18, 2018

Medical Image Segmentation Techniques被引用数 5

ひとこと要約

この論文は、高解像度で組織クリアリング処理が施された3次元顕微鏡画像データに対して、深層学習ベースのVoxelMorphと従来の最適化ベースの登録ツール（ANTS、AIR、Elastix、NiftyReg、IRTK）を比較している。VoxelMorphは15秒未塔の登録時間を達成しており、従来手法と比べて100倍以上速いが、精度ではANTSに劣り、新しい基準画像に対しては失敗するなど、汎化性能に大きな限界があることが明らかになった。

ABSTRACT

Image registration plays an important role in comparing images. It is particularly important in analyzing medical images like CT, MRI, PET, etc. to quantify different biological samples, to monitor disease progression and to fuse different modalities to support better diagnosis. The recent emergence of tissue clearing protocols enable us to take images at cellular level resolution. Image registration tools developed for other modalities are currently unable to manage images of such extreme high resolution. The recent popularity of deep learning based methods in the computer vision community justifies a rigorous investigation of deep-learning based methods on tissue cleared images along with their traditional counterparts. In this paper, we investigate and compare the performance of a deep learning based registration method with traditional optimization based methods on samples from tissue-clearing methods. From the comparative results it is found that a deep-learning based method outperforms all traditional registration tools in terms of registration time and has achieved promising registration accuracy.

研究の動機と目的

• 高解像度の組織クリアリング処理が施された顕微鏡画像データに対して、深層学習ベースの画像登録（VoxelMorph）と従来の最適化ベースの手法の性能を評価・比較すること。
• 従来の登録ツールが大規模な3次元組織クリアリングデータセットを登録する際に数時間もかかる計算のボトル neck を解消すること。
• 深層学習ベースの登録が、この挑戦的なデータモダリティにおいて高い効率性と妥当な精度を同時に達成できるかどうかを調査すること。
• トレーニング中に使用しなかった新しい基準画像に応用した場合のVoxelMorphの汎化能力を評価すること。
• 超高解像度の生物学的画像処理における最新の登録手法において、精度、効率性、耐性のトレードオフを特定すること。

提案手法

• 3次元画像登録用の標準パラメータ設定を用いて、5つの従来の最適化ベースの登録ツール（ANTS、AIR、Elastix、NiftyReg、IRTK）を評価した。
• U-Netアーキテクチャを用いて、エンドツーエンドで密な変形場を学習する、教師なしの深層学習ベースのVoxelMorph手法を適用した。
• 6.45×6.45×10 μm³のボクセル解像度を持つ3次元マウス脳画像を含むCUBICデータセットを用い、テスト用に10%および15%解像度にダウンサンプリングした。
• 登録性能の測定には、正規化相互相関（CC）と相互情報量（MI）を定量的指標として用いた。
• VoxelMorphを別の基準画像（脳003）で再トレーニングし、同じテストセットでの性能を評価することでアブレーション実験を実施した。
• 公平な時間比較を確保するため、すべての登録処理をハイパフォーマンスコンピューティング（HPC）環境で実行した。

実験結果

リサーチクエスチョン

• RQ1 VoxelMorphの登録精度は、高解像度の組織クリアリング処理が施された3次元顕微鏡画像データにおいて、従来の最適化ベースのツール（ANTS、Elastixなど）と比べてどうか？
• RQ2 VoxelMorphは従来手法に比べてどの程度計算効率が高く、フル解像度データセットにスケーリング可能か？
• RQ3 トレーニング時に使用しなかった新しい基準画像に応用した場合、VoxelMorphはどれほど良い汎化性能を示すか？
• RQ4 このデータに対して、ANTS、Elastix、AIRなどの従来の登録ツールは、精度と実行時間の観点でどのように比較できるか？
• RQ5 この文脈において、深層学習ベースの登録の主な限界は何か、特に汎化性能とデータ要件の観点から。

主な発見

• VoxelMorphは10%解像度で13秒、15%解像度で16秒の登録時間を達成し、すべての従来ツールに比べて著しく高速だった。
• ANTSは従来手法の中で最も精度が高く、元の基準画像を用いたテストセットでCCスコア0.8226、MIスコア0.6778を記録した。
• 新しい基準画像（脳001）でテストした際、VoxelMorphのCCスコアは0.2684に低下し、MIスコアも0.2225にまで下がり、精度の著しい低下と劣った汎化性能が示された。
• 従来ツールのANTS、Elastix、NiftyRegは、新しい基準画像でも高い精度（CC > 0.65）を維持しており、基準画像の変更に対しても頑健であることが示された。
• 従来ツールの中で、Elastixが最も効率的で、15%解像度で7分未満で登録を完了した。一方、ANTSは4時間以上を要した。
• VoxelMorphは49,340回のトレーニングイテレーションを経て徐々に精度が向上したが、収束は遅く、ANSの性能には到底追いつけなかった。