[論文レビュー] DiffuseMorph: Unsupervised Deformable Image Registration Using Diffusion Model

Boah Kim, Inhwa Han+1 more|arXiv (Cornell University)|Dec 9, 2021

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

DiffuseMorphは、移動画像と固定画像を整合させるために連続的でトポロジーを保存する変形場を生成するため、条件付き拡散モデルを活用する新しい教師なし可変画像登録手法である。拡散モデリングにより変形のスコア関数を学習することで、連続的軌道に沿ったリアルタイムで補間ベースの登録が可能となり、合成の変形画像の高速生成が実現され、2Dおよび3Dの医療画像処理タスクにおいて最先端の精度と向上したトポロジー保存性を達成している。

ABSTRACT

Deformable image registration is one of the fundamental tasks in medical imaging. Classical registration algorithms usually require a high computational cost for iterative optimizations. Although deep-learning-based methods have been developed for fast image registration, it is still challenging to obtain realistic continuous deformations from a moving image to a fixed image with less topological folding problem. To address this, here we present a novel diffusion-model-based image registration method, called DiffuseMorph. DiffuseMorph not only generates synthetic deformed images through reverse diffusion but also allows image registration by deformation fields. Specifically, the deformation fields are generated by the conditional score function of the deformation between the moving and fixed images, so that the registration can be performed from continuous deformation by simply scaling the latent feature of the score. Experimental results on 2D facial and 3D medical image registration tasks demonstrate that our method provides flexible deformations with topology preservation capability.

研究の動機と目的

• 教師あり変形場のデータに依存せずに、現実的で連続的な変形を生成する教師なし画像登録の課題に対処すること。
• 深層学習ベースの登録で一般的に見られるトポロジーの折りたん（folding）問題を、拡散モデルの内蔵正則化特性を活用することで克服すること。
• 単一の統合された拡散ベースのフレームワークを用いて、高精度な画像登録と合成変形画像の生成を両立させること。
• 潜在的特徴量の単純なスケーリングにより、移動画像から固定画像への連続的変形経路を提供し、リアルタイムの補間を可能にすること。
• 前方拡散による移動画像からの初期化によって拡散プロセスを高速化し、ステップ数を削減しながらコンテンツを保持すること。

提案手法

• 本手法は、移動画像と固定画像ペア間の変形のスコア関数を推定するための条件付き拡散モデルを用いる。
• 変形ネットワークは、拡散モデルのスコア関数から得られる潜在的特徴量を用いて、移動画像を変形するための変形場を予測する。
• 変形場は、移動画像と固定画像の両方に条件付けられた拡散モデルによって生成され、空間的に一貫性があり連続的な変形推定が可能になる。
• 推論時に潜在的特徴量ベクトルを線形にスケーリングすることで、連続的登録が実現され、移動画像と固定画像の間で滑らかな補間が可能になる。
• 合成の変形画像は、1回の前方拡散ステップ後に移動画像から始める高速な逆方向拡散プロセスにより生成され、計算量が削減されながらもコンテンツが保持される。
• 再構成損失と正則化項の組み合わせを用いて、エンドツーエンドで学習され、精度とトポロジー保存性が保証される。

実験結果

リサーチクエスチョン

• RQ1 拡散モデルが、教師なし画像登録のための連続的かつ現実的な変形場を効果的に生成するために適応可能であるか？
• RQ2 拡散モデルの条件付きスコア関数から得られる潜在的特徴量が、連続的軌道に沿った滑らかな補間ベースの登録を可能にするか？
• RQ3 提案手法が、固定画像に近く、解剖学的トポロジーを保存した高品質な合成変形画像を生成できるか？
• RQ4 登録精度とトポロジー保存性の観点から、DiffuseMorphは既存の学習ベースの登録手法と比較してどのように性能を発揮するか？
• RQ5 登録損失のハイパーパrameterが、精度と場の滑らかさのトレードオフに与える影響は何か？

主な発見

• 3D心筋マグネティックリソナンス画像において、DiffuseMorphはPSNR 28.91およびNMSE 0.0018を達成し、ベースライン手法を上回る連続的変形品質を示した。
• 脳MR画像の登録において、DiffuseMorphはDiceスコア0.756（±0.139）を達成し、SyN、VM、CMを含むすべての比較手法を上回った。
• Jacobian行列式の折りたん率が0.505%（±0.058）と低く、強力なトポロジー保存性を示し、VM-diff（0.631%）とMSDIRNet（0.804%）を上回った。
• アブレーションスタディの結果、登録損失重みλを増加させることでDiceスコアが向上し、λ=10が0.756のDiceスコアと0.505%の折りたん率という最良のバランスを達成した。
• GPU上での推論時間は0.01分（0.6秒）にとどまり、連続的軌道に沿ったリアルタイム登録が可能となった。
• 可視化比較により、特に脳室や海馬のような複雑な解剖的構造において、滑らかな変形場とより良いアライメントが確認された。