[論文レビュー] A Diffeomorphic Approach to Multimodal Registration with Mutual Information: Applications to CLARITY Mouse Brain Images.

Kwame S. Kutten, Nicolas Charon+5 more|arXiv (Cornell University)|Dec 1, 2016

Medical Image Segmentation Techniques参考文献 32被引用数 4

ひとこと要約

本論文は、従来のSSDマッチング項の代わりに相互情報量を採用することで、明るさの変動に強いマルチモodal脳画像登録を実現する相互情報量ベースのLDDMM（MI-LDDMM）フレームワークを提案する。CLARITYマウス脳画像に適用した結果、グレースケールプロファイルが異なる画像の登録において、SSD-LDDMMを上回る性能を示した。また、段階的なマルチスケール手法により収束が加速され、実行時間が短縮された。

ABSTRACT

Large Deformation Diffeomorphic Metric Mapping (LDDMM) is a widely used deformable registration algorithm for computing smooth invertible maps between various types of anatomical shapes such as landmarks, curves, surfaces or images. In this work, we specifically focus on the case of images and adopt an optimal control point of view so as to extend the original LDDMM with Sum of Squared Differences (SSD) matching term to a framework more robust to intensity variations, which is critical for cross-modality registration. We implement a mutual information based LDDMM (MI-LDDMM) algorithm and demonstrate its superiority to SSD-LDDMM in aligning 2D phantoms with differing intensity profiles. This algorithm is then used to register CLARITY mouse brain images to a standard mouse atlas despite their differences in grayscale values. We complement the approach by showing how a cascaded multi-scale method improves the optimization while reducing the run time of the algorithm.

研究の動機と目的

• 神経画像診断応用における強度変動の問題に対処すること。
• 標準アトラスと顕著なグレースケール差を示すCLARITYマウス脳画像の登録精度を向上させること。
• LDDMMフレームワークを、Sum of Squared Differences（SSD）を超えて、より頑健な類似性測度として相互情報量を統合することで拡張すること。
• 段階的なマルチスケール最適化戦略により、計算効率を向上させること。

提案手法

• 最適制御フレームワークを採用し、相互情報量を類似性指標として用いるLDDMM登録問題を定式化する。
• 標準LDDMMにおけるSSDマッチング項を、強度非均一性に強い相互情報量ベースのコスト関数に置き換える。
• 変形エネルギーと相互情報量ベースの類似性の組み合わせを最小化する変分最適制御問題として登録を定式化する。
• 粗いスケールで初期化し、その後に細かいスケールで精錬する段階的なマルチスケール手法を採用し、収束を加速する。
• 滑らかで逆写像可能なマッピングを保証するため、微分同相写像モデルを用いる。
• 随伴状態法から導出された勾配ベースの最適化手法を用いてコスト関数を最適化する。

実験結果

リサーチクエスチョン

• RQ1 CLARITYマウス脳画像のマルチモダリティ登録において、相互情報量はSSDに比べて登録精度を向上させるか？
• RQ2 MI-LDDMMフレームワークは、強度プロファイルが異なる2次元フォントにどのように性能を発揮するか？
• RQ3 段階的なマルチスケール戦略は、登録精度を維持したまま実行時間をどの程度短縮できるか？
• RQ4 グレースケール強度が異なる標準マウスアトラスにCLARITY画像を登録する際、MI-LDDMMはSSD-LDDMMよりも頑健か？

主な発見

• MI-LDDMMは、強度プロファイルが異なる2次元フォントの登録において、SSD-LDDMMを上回る性能を示し、強度変動に対する頑健性が確認された。
• MI-LDDMMアルゴリズムは、標準マウスアトラスと顕著なグレースケール差を示すCLARITYマウス脳画像の登録に成功した。
• 段階的なマルチスケール手法により、最適化の実行時間が顕著に短縮されたが、高い登録精度を維持した。
• 相互情報量を類似性指標として用いることで、SSDベースの手法が失敗または劣悪な結果を生じるようなモダリティ間でも、信頼性の高い登録が可能になった。