[論文レビュー] Deep Learning for Medical Image Registration: A Comprehensive Review

Subrato Bharati, M. Rubaiyat Hossain Mondal+2 more|arXiv (Cornell University)|Apr 24, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 22

ひとこと要約

この論文は深層学習ベースの医用画像登録を概観し、監視付き、非監視付き、GANベース、および深い反復的アプローチを含む。単一モードおよび多モードイメージングを横断し、課題と今後の方向性を論じる。

ABSTRACT

Image registration is a critical component in the applications of various medical image analyses. In recent years, there has been a tremendous surge in the development of deep learning (DL)-based medical image registration models. This paper provides a comprehensive review of medical image registration. Firstly, a discussion is provided for supervised registration categories, for example, fully supervised, dual supervised, and weakly supervised registration. Next, similarity-based as well as generative adversarial network (GAN)-based registration are presented as part of unsupervised registration. Deep iterative registration is then described with emphasis on deep similarity-based and reinforcement learning-based registration. Moreover, the application areas of medical image registration are reviewed. This review focuses on monomodal and multimodal registration and associated imaging, for instance, X-ray, CT scan, ultrasound, and MRI. The existing challenges are highlighted in this review, where it is shown that a major challenge is the absence of a training dataset with known transformations. Finally, a discussion is provided on the promising future research areas in the field of DL-based medical image registration.

研究の動機と目的

• DLベースの医用画像登録の研究動機づけと既存アプローチのカテゴリ化。
• 監視付き、デュアル監視付き、弱教師あり登録パラダイムの要約。
• 類似度ベース、GANベース、深い反復的登録手法のレビュー。
• データの課題と多様なイメージングモダリティ（X線、CT、超音波、MRI）について論じる。
• この分野の今後の研究方向性を強調する。

提案手法

• 登録手法を監視付き、弱監視付き、非監視付きのカテゴリに分類する。
• DLで用いられる類似度ベースおよびGANベースの登録アプローチを説明する。
• 深い類似度ベースおよび強化学習ベースの戦略を強調して深い反復的登録を説明する。
• 単一モードおよび多モードの登録の適用領域とイメージングモダリティを調査する。
• 既知の変換を伴う学習データの欠如などの重要な課題を特定する。

実験結果

リサーチクエスチョン

• RQ1 医用画像登録の主なDLベースのカテゴリとその特徴は何か。
• RQ2 DLにおける監視付き、弱監視付き、非監視付き登録手法はどのように比較されるか。
• RQ3 登録における類似度ベース、GANベース、深い反復的アプローチの役割は何か。
• RQ4 DLベースの登録の主な適用領域とイメージングモダリティは何か。
• RQ5 この分野の主要な課題と今後の方向性は何か。

主な発見

• レビューは監視付き、デュアル監視付き、弱監視付き登録フレームワークを網羅している。
• 非監視付き登録は類似度ベースおよびGANベースの戦略を介して論じられている。
• 深い反復的登録は深い類似度ベースおよび強化学習法の強調とともに説明されている。
• 適用は単一モードおよび多モードのイメージングに広がり、X線、CT、超音波、およびMRIを含む。
• 大きな課題として、既知のGround-truth変換を伴う学習データの不在が挙げられる。
• 論文はDLベースの医用画像登録の将来の研究方向性を示している。