[論文レビュー] Learning Conditional Deformable Templates with Convolutional Networks

Adrian V. Dalca, Marianne Rakic+2 more|arXiv (Cornell University)|Aug 7, 2019

Advanced Numerical Analysis Techniques参考文献 65被引用数 59

ひとこと要約

The paper presents a probabilistic, CNN-based framework to learn deformable templates that can be conditioned on attributes, enabling on-demand templates and fast image alignment, demonstrated on MNIST/QuickDraw and large-scale brain MRI data.

ABSTRACT

We develop a learning framework for building deformable templates, which play a fundamental role in many image analysis and computational anatomy tasks. Conventional methods for template creation and image alignment to the template have undergone decades of rich technical development. In these frameworks, templates are constructed using an iterative process of template estimation and alignment, which is often computationally very expensive. Due in part to this shortcoming, most methods compute a single template for the entire population of images, or a few templates for specific sub-groups of the data. In this work, we present a probabilistic model and efficient learning strategy that yields either universal or conditional templates, jointly with a neural network that provides efficient alignment of the images to these templates. We demonstrate the usefulness of this method on a variety of domains, with a special focus on neuroimaging. This is particularly useful for clinical applications where a pre-existing template does not exist, or creating a new one with traditional methods can be prohibitively expensive. Our code and atlases are available online as part of the VoxelMorph library at http://voxelmorph.csail.mit.edu.

研究の動機と目的

• 解剖学的および幾何学的変動を分析するための形変形テンプレートを動機づける。
• 微分同相変形(diffeomorphic)を用いた確率モデルと学習可能な条件付きテンプレートを提案する。
• テンプレートと変形場を共同で学習するエンドツーエンドのニューラルネットワークを開発する。
• 属性（例：年齢、性別）に基づく条件付きオンデマンドテンプレートを関数として有効化する。
• ベンチマークおよび神経画像データセット上で効率性と有用性を実証する。

提案手法

• 画像を条件付きテンプレート t = f_theta_t(a)のdiffeomorphic変形として定式化する。
• 変形 v_i を定常速度場としてモデル化し、スケーリングとスクエアリングによって積分する。
• 滑らかで偏りのないテンプレートとトポロジーを保つ変形を促進する prior p(V) を定義する。
• データ尤度 p(x_i|v_i,a_i) を、ワープ x_i ≈ t ∘ φ_v_i を用いて定義し、ガウス分布または頑健な代替を用いる。
• 2-network アーキテクチャを用いる：g_t,theta_t(a_i) がテンプレートを出力し、g_v,theta_v(t, x_i) が速度場を出力する。最大尤度（負の対数尤度）損失でエンドツーエンドに訓練する。
• 確率的勾配降下法で訓練し、テンプレートと変形ネットワークを共同最適化する；テスト時にはオンデマンドのテンプレートと変形を高速に生成する。

実験結果

リサーチクエスチョン

• RQ1 単一のネットワークはデータセット全体にわたる条件付きの可変テンプレートを学習できるか？
• RQ2 属性（例：年齢、性別）に基づくテンプレートの条件付けは、偏りのない中心的なテンプレートとより小さな変形を生み出すか？
• RQ3 提案手法は、エグザンプルやデコーダー型ベースラインと比べて、テンプレートの中心性および変形の正則性の点でどうか？
• RQ4 未見の属性設定に対して条件付きテンプレート関数は解剖学的に意味のあるテンプレートを生成できるか？
• RQ5 2Dベンチマークと3D神経画像データを効率的に扱うことができるか？

主な発見

• 条件付きテンプレートは、MNISTの派生データでベースラインよりも中心性が高く、変形も小さく済む。
• 本手法は、滑らかな変形場を生成し、ベースラインおよびエグザンプルと同等またはそれ以上のMSEを示す。
• 3D脳MRIでは、条件なしおよび年齢/性別条件付きテンプレートが、ベースラインのアトラスより高い Dice スコアを達成（0.800±0.110 vs 0.795±0.116 vs 0.731±0.153）。
• 条件付きテンプレートはオンデマンドテンプレートの迅速な合成を可能にし、訓練は約1日、推定時の条件付けは1秒未満。
• 本フレームワークは年齢に伴う解剖学的変動を捉え、例として脳室の拡大と海馬の縮小が年齢とともに生じることを体積傾向で示す。
• 潜在属性分析は、属性が部分的に欠落していたり未知であっても、意味のあるテンプレート表現をモデルが回復できることを示す。