[論文レビュー] AirLab: Autograd Image Registration Laboratory

Robin Sandkühler, Christoph Jud+2 more|arXiv (Cornell University)|Jun 26, 2018

Medical Image Segmentation Techniques参考文献 41被引用数 49

ひとこと要約

AIRLab は自動微分と GPU 実行を活用した、医用画像登録の迅速な試作と再現性のための Python ベース、PyTorch 支援の環境を提供します。

ABSTRACT

Medical image registration is an active research topic and forms a basis for many medical image analysis tasks. Although image registration is a rather general concept specialized methods are usually required to target a specific registration problem. The development and implementation of such methods has been tough so far as the gradient of the objective has to be computed. Also, its evaluation has to be performed preferably on a GPU for larger images and for more complex transformation models and regularization terms. This hinders researchers from rapid prototyping and poses hurdles to reproduce research results. There is a clear need for an environment which hides this complexity to put the modeling and the experimental exploration of registration methods into the foreground. With the "Autograd Image Registration Laboratory" (AIRLab), we introduce an open laboratory for image registration tasks, where the analytic gradients of the objective function are computed automatically and the device where the computations are performed, on a CPU or a GPU, is transparent. It is meant as a laboratory for researchers and developers enabling them to rapidly try out new ideas for registering images and to reproduce registration results which have already been published. AIRLab is implemented in Python using PyTorch as tensor and optimization library and SimpleITK for basic image IO. Therefore, it profits from recent advances made by the machine learning community concerning optimization and deep neural network models. The presented draft of this paper outlines AIRLab with first code snippets and performance analyses. A more exhaustive introduction will follow as a final version soon.

研究の動機と目的

• 複雑な目的と大規模な3Dデータに対応するため、医用画像登録における迅速な試作環境の必要性を動機づける。
• 登録目的の自動勾配計算を可能にするオープンで微分可能なフレームワークとして AIRLab を紹介する。
• 類似度指標、変換、正則化などのビルディングブロックと、迅速な実験を促進する例示手法を提供する。
• 予備実験とコード例を通じて、性能と再現性の利点を示す。

提案手法

• PyTorch の autograd による登録目的の自動微分。
• モジュラーな類似度指標のセット（MSE, NCC, LCC, SSIM, MI, NGF）と正則化（拡散、異方性/等方性 TV、スパース性、Demons）を f およびそのパラメータに適用。
• 線形/密な、非線形/補間（例：B-spline および Wendland カーネル）、および密結合/ハイブリッドな変換モデルをサポート。
• 固定画像領域で残差を計算するための後方ワープと GPU 加速グリッドサンプリング。
• 指数写像を用いた停滞速度場のオプションの可微分同相変換。
• POP I のようなデータセットに対する自動登録評価のパイプライン。
• 高次元問題向けに PyTorch の一般的な最適化アルゴリズム（例：LBFGS, Adam）の利用可能性。
• さまざまな画像サイズに対する CPU と GPU の実行を比較した性能ベンチマーク。

実験結果

リサーチクエスチョン

• RQ1 自動微分は登録目的の迅速な試作を簡素化し、勾配を自動的に導出する実験の再現性を高められるか。
• RQ2 さまざまな類似度指標と正則化は、2D/3D データ全体で登録の性能と安定性にどのように影響するか。
• RQ3 CPU vs. GPU でのさまざまな変換モデルに対する AIRLab の実用的な性能特性（速度、スケーラビリティ）はどうか。
• RQ4 AIRLab はRigid、FFD、Diffeomorphic Demons のような標準的な登録手法を、統一的な微分可能フレームワーク内でどの程度再現できるか。

主な発見

Experiment	Hardware	64	128	256	512	1024	2048	4096
Dense + R_{diff} + S_{MSE}	CPU	2.29	3.29	5.57	14.11	46.44	187.68	832.77
Dense & R_{diff} + S_{MSE} with Diffeomorph	CPU	4.52	9.75	25.81	81.55	309.06	1367.49	5834.58
Dense + R_{diff} + S_{MSE}	GPU GTX 1080	4.41	4.39	4.39	4.29	4.63	9.21	30.91
Dense & R_{diff} + S_{MSE} with Diffeomorph	GPU GTX 1080	7.36	7.32	6.59	6.61	9.14	24.34	89.85

• AIRLab は登録目的の自動勾配計算を可能にし、手作業の実装負担を軽減する。
• 複数の類似度指標と正則化、さらには複数の変換モデルを提供し、登録手法の迅速な試作を可能にする。
• 予備実験は、AIRLab 内でRigid、FFD、Diffeomorphic Demons の登録ワークフローと対応する視覚的結果を示す。
• GPU ベースの実行は大きな 2D 入力で CPU より計算時間を大幅に短縮し、画像サイズとともにスケーリングを示す。
• 自動評価パイプラインを含み、POPI などのデータセットで再現性を促進する。
• 実行可能なコード断片を提示し、B-spline 補間やマルチチャネルデータなどの追加機能の統合計画を示す。