[論文レビュー] Automatic Nonrigid Histological Image Registration with Adaptive Multistep Algorithm

Marek Wodziński, Andrzej Skalski|arXiv (Cornell University)|Apr 1, 2019

Advanced Image and Video Retrieval Techniques参考文献 8被引用数 4

ひとこと要約

本論文は、ANHIRチャレンジ向けに、前処理、複数の初期アライメント戦略、および4つの並列非剛性登録アルゴリズム（局所アフィン、Demons、MIND Demons、TPS）を組み合わせた、きわめて頑健で完全に自動化された非剛性ヒストロロジカル画像登録手法を提示する。自動選択戦略により多様なアルゴリズムの中から最良の結果を選択することで、平均中央rTREが0.38%、耐性度が99.792%を達成した。

ABSTRACT

In this paper, we present a short description of the method proposed to ANHIR challenge organized jointly with the IEEE ISBI 2019 conference. We propose a method consisting of preprocessing, initial alignment, nonrigid registration algorithms and a method to automatically choose the best result. The method turned out to be robust (99.792% robustness) and accurate (0.38% average median rTRE). The main drawback of the proposed method is relatively high computation time. However, this aspect can be easily improved by cleaning the code and proposing a GPU implementation.

研究の動機と目的

• 欠損データや強度変動を伴うマルチモーダルヒストロロジカル画像の自動的かつ非剛性登録の課題に対処すること。
• 人為的介入やパrameterチューニングが一切不要な、頑健で完全に自動化されたパイプラインを開発すること。
• 特に構造的不一致や強度差を示す困難なヒストロロジカル画像ペアにおいても、登録精度を向上させること。
• ANHIRチャレンジにおいて中央rTREが順位付けの基準となるため、極めて困難なケースでさえも最小限の誤差を実現する高いパフォーマンスを達成すること。

提案手法

• グレースケールへの変換、平滑化、解像度に応じたスケーリング（1024–4096ピクセル）、強度分布のバランスのためのヒストグラムマッチング、ゼロパディング、強度反転を含む画像の前処理。
• SIFT、ORB、SURF特徴量を用い、RANSACを用いて類似変換を推定し、しきい値処理されたマスクのDice係数に基づいて最良の結果を選択する初期アライメントの実行。
• 最初の手法が失敗した場合に備え、Li閾値処理と反復的回転最適化を用いたSSDとアフィン登録を用いた代替初期アライメントの実施。
• 4つの非剛性登録アルゴリズムを並列で実行：明るさ/コントラスト補正と欠損データ確率推定を伴う局所アフィン登録、対称的コンポジットDemons、MIND記述子間のSSDを用いたMIND Demons、初期アライメントからのキーポイントマッチを用いたTPS。
• 固定画像のマスク領域と対応する変換済み移動画像間のMIND SSDが最小となるアルゴリズムを選択することで、最良の非剛性結果を自動的に特定。
• 失敗検出メカニズムを用いて困難なケースを特定・処理し、全481組のトレーニングペアにわたる耐性度を確保。

実験結果

リサーチクエスチョン

• RQ1 欠損データや強度差を伴う困難なヒストロロジカル画像ペアにおいて、マルチモーダルで完全に自動化された非剛性登録パイプラインは、高い精度と耐性度を達成できるか？
• RQ2 多様な非剛性登録アルゴリズム（局所アフィン、Demons、MIND Demons、TPS）をアンサンブルとして組み合わせ、自動結果選択を施すことで、どの程度効果的か？
• RQ3 ヒストグラムマッチングは初期アライメントをどの程度向上させるか。特にマルチモーダル画像においては、何時において悪影響を及ぼすか？
• RQ4 初期特徴マッチに基づく単純なTPS法は、より複雑なアルゴリズムに比べて困難なケースで優れた性能を示せるか。どのような条件下でそうなるか？
• RQ5 複数のアルゴリズムを並列で実行し、その後自動選択を行うことで、中央rTREが主な指標となるチャレンジ設定で最終順位がどの程度向上するか？

主な発見

• 本手法は、全トレーニングペアにおいて平均中央rTREが0.38%を達成し、高い登録精度を示した。
• 耐性度は99.792%であり、481組の画像ペアのうち1組のみが失敗した。これは極めて高い信頼性を示している。
• 局所アフィン登録法は大多数のケースで有効であったが、DemonsおよびMIND Demonsの追加により中央rTREが0.04%改善され、3件の困難な失敗が是正された。
• 計算コストが低いTPS補間法は、他のアルゴリズムが失敗した極めて困難なケースにおいて、顕著に誤差を低減した。
• 固定画像のマスク領域と対応する変換済み移動画像間のMIND SSDに基づく最終結果選択は、各ペアに対して最良の性能を示すアルゴリズムを特定するのに効果的であった。
• 局所アフィン法のシングルコア実装による高計算時間にもかかわらず、DemonsやMIND Demonsのような高速なアルゴリズムに高解像度（最大4096ピクセル）を適用することで、本手法の性能が顕著に向上した。