[論文レビュー] Higher-Order Momentum Distributions and Locally Affine LDDMM Registration

Stefan Sommer, Mads Nielsen+2 more|arXiv (Cornell University)|Dec 14, 2011

Medical Image Segmentation Techniques参考文献 33被引用数 27

ひとこと要約

本論文は、局所アフィン変換を1次モーメントでモデル化することで、非剛性変形のスパースで解釈可能なパrametrizationを可能にするLDDMMフレームワークにおける高次モーメント分布を導入する。この手法により、たった5つの制御点で正確な画像登録が達成され、アルツハイマー病における脳室拡張などの臨床的関連のある体積変化と直接的に関連付けることができる。

ABSTRACT

To achieve sparse parametrizations that allows intuitive analysis, we aim to represent deformation with a basis containing interpretable elements, and we wish to use elements that have the description capacity to represent the deformation compactly. To accomplish this, we introduce in this paper higher-order momentum distributions in the LDDMM registration framework. While the zeroth order moments previously used in LDDMM only describe local displacement, the first-order momenta that are proposed here represent a basis that allows local description of affine transformations and subsequent compact description of non-translational movement in a globally non-rigid deformation. The resulting representation contains directly interpretable information from both mathematical and modeling perspectives. We develop the mathematical construction of the registration framework with higher-order momenta, we show the implications for sparse image registration and deformation description, and we provide examples of how the parametrization enables registration with a very low number of parameters. The capacity and interpretability of the parametrization using higher-order momenta lead to natural modeling of articulated movement, and the method promises to be useful for quantifying ventricle expansion and progressing atrophy during Alzheimer's disease.

研究の動機と目的

• 医用画像登録における非剛性変形のスパースで解釈可能なパrametrizationを開発すること。
• LDDMMフレームワークを零次モーメント（局所的平行移動）の範囲を超えて、局所アフィン変換をモデル化する一次モーメントを含むように拡張すること。
• 特に非平行移動の動き（例：脳室拡張）を最小限の制御点で、コンactな表現で複雑な変形を表現できること。
• 変形パrameterを、組織萎縮や体積変化といった測定可能な生物学的変化と直接関連付けること。
• 縦断的神経画像研究における変形モデルの解釈可能性と臨床的関連性を向上させること。

提案手法

• 局所アフィン変換を表す一次モーメントを用いて、LDDMMフレームワークにおける高次モーメント分布を導入する。
• 部分微分の再現性を持つ再生核ヒルベルト空間（RKHS）を用いて、モーメント分布をモデル化する。
• 変分法を用いてEPDiffの進化方程式を導出し、勾配情報の前向きおよび後向き輸送を可能にする。
• 類似性測度として、例えばヤコビアン行列式や発散といった一次情報を取り入れ、登録をガイドする。
• 変形アトム（制御点）による低次元パラメータ化を用いて、複雑な変形をコンactに表現する。
• 変形パrameterを最適化するため、前向きおよび後向きの変分方程式に基づくマッチングアルゴリズムを適用する。

実験結果

リサーチクエスチョン

• RQ1 LDDMMにおける高次モーメントは、零次モーメントと比較して、非剛性変形のよりコンactかつ解釈可能な表現を可能にするか？
• RQ2 一次モーメントは局所アフィン変換をどれほどよくモデル化でき、非平行移動の動き（例：脳室拡張）を捉えることができるか？
• RQ3 変形パrameterが、ヤコビアン行列式や発散といった体積変化（例：体積変化）といった臨床的意味のある指標をどれほど直接に符号化できるか？
• RQ4 高次モーメントを用いることで、たった5つの制御点程度で正確な画像登録が達成できるか？
• RQ5 類似性測度に一次情報が組み込まれることで、登録の正確性と解釈可能性がどの程度向上するか？

主な発見

• 本手法は、脳室領域にのみ5つの変形アトムを配置するだけで、正確な画像登録を達成でき、最小限のパラメータで脳室拡張を検出可能である。
• 変形アトムにおけるヤコビアン行列式の対数と一次モーメントの発散が直接相関しており、パラメータが体積変化を符号化していることが確認された。
• 認知症患者（1～4）のベースラインからフォローアップまでの登録では、1.5～3年間で対数ヤコビアン値が増加しており、進行性の脳室拡張を示している。
• 一次モーメントの発散は登録パラメータから直接抽出可能であり、局所的な拡張または収縮の解釈が可能である。
• パrameter空間の次元が低いため、正則化をゼロに設定しても非微分同相写像の結果が生じない。
• 本手法は、脳萎縮に伴うアーティキュレートまたは非一様な変形を直接的かつ解釈可能な形でモデル化でき、強い臨床的関連性を持つ。