[論文レビュー] DeepFLASH: An Efficient Network for Learning-based Medical Image Registration

Jian Wang, Miaomiao Zhang|arXiv (Cornell University)|Apr 5, 2020

Medical Image Segmentation Techniques参考文献 29被引用数 6

ひとこと要約

DeepFLASHは、低次元のバンド制限フーリエ空間で動作する画期的な学習ベースの医用画像登錻ネットワークを提案する。この手法は、微分同相変換の性質を保持しつつ、計算コストとメモリ使用量を大幅に削減する。複素数値演算とバンド制限損失関数を活用することで、最先端の手法と比較して推論が100倍速くなり、学習速度も40％速くなる。2次元の合成データおよび3次元の脳MRIデータにおいて、同等の登錻精度を達成した。

ABSTRACT

This paper presents DeepFLASH, a novel network with efficient training and inference for learning-based medical image registration. In contrast to existing approaches that learn spatial transformations from training data in the high dimensional imaging space, we develop a new registration network entirely in a low dimensional bandlimited space. This dramatically reduces the computational cost and memory footprint of an expensive training and inference. To achieve this goal, we first introduce complex-valued operations and representations of neural architectures that provide key components for learning-based registration models. We then construct an explicit loss function of transformation fields fully characterized in a bandlimited space with much fewer parameterizations. Experimental results show that our method is significantly faster than the state-of-the-art deep learning based image registration methods, while producing equally accurate alignment. We demonstrate our algorithm in two different applications of image registration: 2D synthetic data and 3D real brain magnetic resonance (MR) images. Our code is available at https://github.com/jw4hv/deepflash.

研究の動機と目的

• 高次元の画像空間における深層学習ベースの医用画像登錻の高い計算コストとメモリ使用量を低減すること。
• エンドツーエンド学習中に滑らかさ、可逆性、位相保存性を有する微分同相変換の性質を維持すること。
• アライメント精度を損なわずに、深層学習登錻モデルの学習および推論時間を短縮すること。
• フーリエ空間における微分同相変換の学習のための画期的なフレームワークを導入し、効率的な最適化とパラメータ化を可能にすること。
• 医用画像登錻において、バンド制限表現における複素数値ニューラルネットワーク演算の実用可能性と優位性を示すこと。

提案手法

• 本手法は、変形場を表現するのに必要なパラメータ数を顕著に削減する低次元のバンド制限フーリエ空間で微分同相変換を定式化する。
• フーリエドメインでの変換をモデル化するために、複素数値畳み込みや複素数値ReLUなどの複素数値ニューラルネットワーク演算を導入する。
• フーリエ係数上で明示的に定義されたバンド制限損失関数を導入し、少ないパラメータで滑らかさと微分同相一貫性を確保する。
• 実数値空間における二重ネットワークアーキテクチャを用いて、複素数値最適化を模倣することで、標準的なディープラーニングフレームワークでの実装を可能にする。
• CNN、FCN、RNNを含むさまざまなニューラルネットワークアーキテクチャと互換性を持つように設計されており、汎用性を高めている。
• 画像類似度の教師あり損失と、バンド制限空間における滑らかさを強制する正則化項を用いて、エンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 低次元のバンド制限フーリエ空間で学習ベースの医用画像登錻を実行することで、著しく高速かつメモリ効率の良いものにできるか？
• RQ2 複素数値演算と表現を、微分同相画像登錻のための深層ニューラルネットワークに効果的に統合できるか？
• RQ3 バンド制限損失関数は、パラメータ化の複雑さを低減しつつも、変換の微分同相性質を保持できるか？
• RQ4 本手法は、従来の学習ベースおよび最適化ベースの登錻手法と比較して、速度、精度、メモリ使用量の面でどの程度優れているか？
• RQ5 実数値ネットワークを分離して使用することで、フーリエドメインにおける複素数値最適化を模倣し、高精度な登錻を達成できるか？

主な発見

• DeepFLASHは、VM-LDDMM や ANTs(SyN) といった最適化ベースの手法と比較して、推論速度が約100倍速く、GPU上で0.273秒というわずかな登錻時間で実現した。
• 学習時間は14.1 GPU時間にまで短縮され、次に速いベースラインであるQuicksilver（31.4 GPU時間）と比較して50％の改善を達成した。
• 訓練および推論の両方において、DeepFLASHは他の学習ベース手法と比較して顕著に少ないGPUメモリを使用しており、平均的なメモリ使用量が著しく低い。
• LPBA40データセットの8つの脳構造において、平均Diceスコアが0.780を記録し、Voxelmorph や Quicksilver と同等の登錻精度を達成しており、わずかに優れた性能を示した。
• ヤコビアンマップの行列式に特異点やアーチファクトが認められず、変換が滑らかで微分同相の性質を保っていることが確認された。
• アブレーションスタディの結果、バンド制限表現と複素数値演算が、計算コストを削減しつつも精度を維持するために不可欠であることが確認された。