[論文レビュー] Joint Progressive and Coarse-to-fine Registration of Brain MRI via Deformation Field Integration and Non-Rigid Feature Fusion

Jinxin Lv, Zhiwei Wang+5 more|arXiv (Cornell University)|Sep 25, 2021

Medical Image Segmentation Techniques被引用数 5

ひとこと要約

本稿では、脳MRIの登録のための統合的深層学習フレームワークを提案する。本手法は、2つの新規モジュール、変形場統合（DFI）と非剛性特徴統合（NFF）を用いて、段階的かつ粗いから細かい方向への変形場推定を統合的に行う。繰り返し、粗い部分場を統合し、スケール間でアラインメントされた特徴を統合することで、最先端の登録精度を達成し、既存手法と比較して平均Diceスコアを最大8%向上させる。

ABSTRACT

Registration of brain MRI images requires to solve a deformation field, which is extremely difficult in aligning intricate brain tissues, e.g., subcortical nuclei, etc. Existing efforts resort to decomposing the target deformation field into intermediate sub-fields with either tiny motions, i.e., progressive registration stage by stage, or lower resolutions, i.e., coarse-to-fine estimation of the full-size deformation field. In this paper, we argue that those efforts are not mutually exclusive, and propose a unified framework for robust brain MRI registration in both progressive and coarse-to-fine manners simultaneously. Specifically, building on a dual-encoder U-Net, the fixed-moving MRI pair is encoded and decoded into multi-scale deformation sub-fields from coarse to fine. Each decoding block contains two proposed novel modules: i) in Deformation Field Integration (DFI), a single integrated sub-field is calculated, warping by which is equivalent to warping progressively by sub-fields from all previous decoding blocks, and ii) in Non-rigid Feature Fusion (NFF), features of the fixed-moving pair are aligned by DFI-integrated sub-field, and then fused to predict a finer sub-field. Leveraging both DFI and NFF, the target deformation field is factorized into multi-scale sub-fields, where the coarser fields alleviate the estimate of a finer one and the finer field learns to make up those misalignments insolvable by previous coarser ones. The extensive and comprehensive experimental results on both private and public datasets demonstrate a superior registration performance of brain MRI images over progressive registration only and coarse-to-fine estimation only, with an increase by at most 8% in the average Dice.

研究の動機と目的

• 脳MRI画像の登録において、皮質下核のような複雑で微細な構造を正確に処理する課題に対処すること。
• 段階的または粗いから細かい方向への分解のいずれかのみを用いる既存手法の限界を克服すること。これらは非効率または不正確である可能性がある。
• 段階的および粗いから細かい方向への登録を統合した、1つの効率的で高精度なフレームワークを構築すること。
• 多様なスキャンプロトコルや画像パターンに対しても堅牢な登録を可能にし、一般化性能を向上させること。

提案手法

• 固定画像と移動画像のペアを、マルチスケール特徴にエンコードするためのデュアルエンコーダーU-Netアーキテクチャを採用する。
• 各デコーディングブロックにおいて、変形場統合（DFI）は、すべての以前の部分変形場を順番に適用することで、等価に画像を変形する1つの統合変形部分場を計算する。
• 非剛性特徴統合（NFF）は、DFIで統合された変形場を用いて固定画像と移動画像の特徴をアラインメントし、チャネルおよび空間アテンションを用いてそれらを統合して、より細かい部分場を予測する。
• DFIとNFFはデコーディングブロック間で交互に適用され、全変形場の段階的かつ粗いから細かい方向への分解を統合的に実現する。
• 画像類似度（NCC、MI、MSE）とセグメンテーション精度（Dice、HD、ASSD）を組み合わせた損失関数を用いて、ネットワークをエンドツーエンドで学習する。
• マルチスケールの監視を備えた単一のデコーダーを採用することで、異なるMRIプロトコルにおける効率性と一般化性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 段階的および粗いから細かい方向への分解を統合的に適用することで、単独で用いる場合と比較して、脳MRI登録の精度が向上するか？
• RQ2 以前の段階からの変形場統合が、深層ネットワークにおけるより細かい部分場の推定にどのように寄与するか？
• RQ3 アテンション機構を用いた特徴統合が、皮質下核のような複雑な脳構造のアラインメントにどの程度向上効果をもたらすか？
• RQ4 提案フレームワークは、異なるMRIシーケンスやスキャンプロトコルに対しても良好に一般化できるか？
• RQ5 提案手法は、画像類似度および領域別セグメンテーション指標の両面で、最先端手法を上回る性能を示せるか？

主な発見

• IXIデータセットにおいて、ベースライン手法と比較して最大8%の平均Diceスコアの向上を達成し、優れたセグメンテーション精度を示した。
• DFIを追加するだけでDiceが1.9%向上し、アテンションを備えたNFFを追加するとDiceが2.5%向上し、両者の個別的貢献が顕著に示された。
• DFIとNFFを併用すると、ベースラインから3.6%のDiceスコア向上が得られ、対応したt検定のp値が1.70e-9未満であった。統計的有意性が確認された。
• アブレーションスタディにより、DFIとNFFは補完的であり、共同で登録性能を向上させることを確認した。
• 未学習のスキャンシーケンスを用いた一般化テストにより、異なるMRIプロトコルに対しても良好な一般化性能を示した。
• 4つのデータセットにおいて、VTNやDual-PRNetを含む最先端手法と比較して、画像類似度および領域別類似度指標の両方で優れた性能を示した。