[論文レビュー] Introduction to Medical Image Registration with DeepReg, Between Old and New

Nina Montaña-Brown, Yunguan Fu+11 more|arXiv (Cornell University)|Aug 29, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 11被引用数 4

ひとこと要約

このチュートリアルは、医療画像登錣用のオープンソースディープラーニングフレームワークであるDeepRegを紹介し、古典的な最適化ベースの手法と現代的な学習ベースのアプローチを統合する仕組みを示している。研究者が実臨床データを用いて剛体、非剛体、およびディープラーニングベースの登錣を実装・比較できるようにし、TensorFlow 2を用いたGPUアクセラレーションを備えたエンドツーエンドのコード例により、実用的な臨床場面での正確な画像アライメントを実現する。

ABSTRACT

This document outlines a tutorial to get started with medical image registration using the open-source package DeepReg. The basic concepts of medical image registration are discussed, linking classical methods to newer methods using deep learning. Two iterative, classical algorithms using optimisation and one learning-based algorithm using deep learning are coded step-by-step using DeepReg utilities, all with real, open-accessible, medical data.

研究の動機と目的

• 医療画像登錣に初めて触れる研究者を対象に、オープンソースのDeepRegフレームワークを用いた実践的でコードベースのチュートリアルを提供すること。
• DeepRegにおける統一的な実装を通じて、古典的な最適化ベースの登錣手法と現代的なディープラーニングアーキテクチャをシームレスに統合すること。
• 多モodalおよび縦断的画像登錣を含む、実世界の臨床応用におけるDeepRegの使用を示すこと。
• 最小限のコーディング経験を持つ研究者が、事前パッケージ化されテスト済みのコンponentsを用いて、最先端の登錣技術を再現・拡張できるようにすること。
• アクセスしやすく、文書化が整ったツールと例題を提供することで、コミュニティ主導で臨床的関連性の高い研究を促進すること。

提案手法

• チュートリアルは、DeepRegのハイレベルAPIを用いて、2つの古典的反復アルゴリズム（最適化ベース）と1つのディープラーニングベースの手法（U-Netに類似したネットワーク）の3つの登錣戦略を実装する。
• TensorFlow 2とKeras互換レイヤーを活用して、画像類似度と変形場の滑らかさの損失関数を含む、登錣モデルの定義と学習を実施する。
• パaired training setupを用いて、オープンアクセスの臨床データセット（例：T2強調MRIとラベルマップ）上で事前学習済みのディープラーニングモデルをファインチューニングする。
• フレームワークは画像およびラベルのワープをサポートし、固定画像、移動画像、ワープ済み画像、および正解画像のスライスごとの比較を可視化する。
• Google Colabを介したGPUサポートによりトレーニングを加速し、Jupyterノートブックに実装されたモデル推論および可視化パイプラインを用いる。
• データローディング、設定ファイルの解析（YAML）、モデルチェックポイントの保存を支援するユーティリティがコードベースに含まれており、再現可能性と拡張性を確保する。

実験結果

リサーチクエスチョン

• RQ1 統一されたフレームワークを用いて、古典的画像登錣アルゴリズムとディープラーニングベースの手法をどのように実装・比較できるか？
• RQ2 DeepRegは、伝統的な最適化ベースの手法と現代的なディープラーニングアーキテクチャの間で、どの程度シームレスな統合を可能にしているか？
• RQ3 T2強調MRIとラベルマップ）上で、パaired training setupを用いて事前学習済みのディープラーニングモデルをファインチューニングする。
• RQ4 フレームワークは画像およびラベルのワープをサポートし、固定画像、移動画像、ワープ済み画像、および正解画像のスライスごとの比較を可視化する。
• RQ5 Google Colabを介したGPUサポートによりトレーニングを加速し、Jupyterノートブックに実装されたモデル推論および可視化パイプラインを用いる。
• RQ6 データローディング、設定ファイルの解析（YAML）、モデルチェックポイントの保存を支援するユーティリティがコードベースに含まれており、再現可能性と拡張性を確保する。

主な発見

• チュートリアルは、Jupyterノートブックを介した完全な再現性を備えた、DeepRegを用いた古典的およびディープラーニングベースの登錣のエンドツーエンド実装を成功裏に示している。
• 予測スライスと正解スライスの可視化比較により、ディープラーニングモデルが移動画像およびラベルを固定画像に正確にワープできていることが裏付けられている。
• Google Colabを介したGPUでのトレーニングは数分で完了し、臨床ワークフロー統合に適した推論時間となっている。
• フレームワークは、登錣パイプラインの一貫性とモジュラリティを実現し、開発時間を短縮するとともに再現性を向上させている。
• 画像類似度と変形場の滑らかさの損失関数の統合により、現実的で解剖学的に妥当な変形場が得られている。
• チュートリアルのコードおよび設定ファイルは公開されており、コミュニティによる拡張および新しい臨床データセットへの適応を支援している。