[論文レビュー] An Auto-Context Deformable Registration Network for Infant Brain MRI

Dongming Wei, Sahar Ahmad+8 more|arXiv (Cornell University)|May 19, 2020

Medical Image Segmentation Techniques参考文献 19被引用数 7

ひとこと要約

本稿では、1回のディープラーニングネットワークを繰り返し利用して変形場を段階的に改善する、赤ちゃんの脳MRI用の自己文脈可変登録ネットワーク（AC-Reg-Net）を提案する。組織セグメンテーションマップと空間変換器を活用することで、高精度で滑らかでトポロジーを保つ登録を実現する。AC-Reg-Netは、6か月から12か月への登録でグレイマター（GM）の平均DSCが85.17%、ホワイトマター（WM）が83.19%を達成し、最先端の手法を上回り、変形場の正則化ペナルティ（RFP = 0.0122）も低く抑えている。

ABSTRACT

Deformable image registration is fundamental to longitudinal and population analysis. Geometric alignment of the infant brain MR images is challenging, owing to rapid changes in image appearance in association with brain development. In this paper, we propose an infant-dedicated deep registration network that uses the auto-context strategy to gradually refine the deformation fields to obtain highly accurate correspondences. Instead of training multiple registration networks, our method estimates the deformation fields by invoking a single network multiple times for iterative deformation refinement. The final deformation field is obtained by the incremental composition of the deformation fields. Experimental results in comparison with state-of-the-art registration methods indicate that our method achieves higher accuracy while at the same time preserves the smoothness of the deformation fields. Our implementation is available online.

研究の動機と目的

• 脳の構造と外見が急激に変化する赤ん坊の脳MRIにおける正確な可変登録の課題に対処する。
• キャスケードネットワークにおける高コストなGPUメモリ使用、ハイパーパramータチューニングへの感受性、局所最適解への陥落といった、既存のディープラーニング登録手法の限界を克服する。
• 複数のネットワークをトレーニングせず、過去の推定値からのコンテキストを用いて反復的に変形場を精錬することで、登録精度と変形の滑らかさを向上させる。
• ヤコビアンに基づく正則化子を用いて変形場のトポロジー整合性を保証し、折りたたみを防ぎ、組織構造を維持する。
• 縦断的および集団ベースの神経画像研究において、多様な年齢層（2週間から12か月）にわたって計算効率が良く、頑健な手法を開発する。

提案手法

• AC-Reg-Netは、複数回の反復において同一の事前トレーニング済み登録ネットワーク（Reg-Net）を再利用する自己文脈フレームワークを採用している。
• 各反復で、移動画像のセグメンテーションマップが現在の変形場を用いてワープされ、その結果が同じReg-Netにフィードバックされ、新たな残差変形場が推定される。
• 最終的な変形場は、すべての残差変形場を段階的に合成することで得られる：$\phi = \phi_1 \circ \phi_2 \circ \cdots \circ \phi_n$。
• Reg-Netは、ペアドされた組織セグメンテーションマップ（GM/WM）を入力とし、速度場を出力する3次元U-Netアーキテクチャに基づいている。この速度場は統合され、変形場が生成される。
• 空間変換器レイヤーを用いて、推定された変形場を用いて移動セグメンテーションマップを再サンプリングし、エンド・トゥ・エンド微分可能なワープを実現する。
• 滑らかで逆写像可能で物理的に妥当な変形場を保証するため、ヤコビアン行列式に基づくトポロジー保存正則化子が適用される。

実験結果

リサーチクエスチョン

• RQ1 複数のキャスケードネットワークをトレーニングせずに、反復的自己文脈戦略が赤んぼうの脳MRIにおける登録精度を向上させられるか？
• RQ2 反復的精錬ステップ数が、登録精度と変形の滑らかさのトレードオフにどのように影響するか？
• RQ3 過去の変形推定値からのコンテキストを用いて、反復的に再利用される1つのディープラーニングネットワークが、既存のディープラーニングおよび最適化ベースの登録手法を上回るか？
• RQ4 急速に変化する初期脳発達における大きな解剖的変化の下で、組織セグメンテーションマップを入力として用いることで、登録性能がどの程度向上するか？
• RQ5 提案手法は、さまざまな年齢層で高いDice類似係数（DSC）を達成しながら、変形場の正則化ペナルティ（RFP）を低く保っているか？

主な発見

• AC-Reg-Netは、6か月のスキャンを12か月の固定スキャンに登録する際、グレイマター（GM）の平均Dice類似係数（DSC）が85.17%、ホワイトマター（WM）が83.19%を達成し、VoxelMorph（80.01%および76.34%）や他のベースライン手法を顕著に上回った。
• 正則化フィールドペナルティ（RFP）が0.0122と低く抑えられ、変形場の滑らかさとトポロジー保存性が高く、VoxelMorph（0.6915）や他の手法を上回った。
• 登録精度は第1反復から第2反復にかけて急激に向上し、5反復目で飽和し、最適な性能がn=5反復で得られた。
• 自己文脈フレームワークにより、繰り返しセグメンテーションマップの再サンプリングに起因する誤差蓄積が軽減され、変形場をワープする前に合成することで、安定性と精度が向上した。
• AC-Reg-Netは、2週間から12か月、3か月から12か月、6か月から12か月の全テスト時間点で高い精度と滑らかさを維持し、発達的変化に対して頑健であることが示された。
• DSCおよびRFPの両指標において、SyN、diffeomorphic Demons、NiftyReg、VoxelMorphを上回る優れた性能を達成した。これは、赤んぼうの脳MRIにおける大規模な変形を効果的に処理できることが確認された。