[論文レビュー] Learning Structured Deformations using Diffeomorphic Registration

Julian Krebs, Tommaso Mansi+3 more|arXiv (Cornell University)|Apr 19, 2018

Medical Image Segmentation Techniques被引用数 7

ひとこと要約

本論文は、条件付き変分オートエンコーダー（CVAE）を用いて、従来の正則化に代わる潜在空間上の確率的制約によって、低次元で構造的な変形パrametrizationを学習する、微分同相な登録手法を提案する。この手法は、心臓および脳MRIデータセットにおいて最先端の登録精度を達成するとともに、解剖学的不変な変形輸送と、学習された潜在空間における意味のある疾患クラスタリングを可能にする。

ABSTRACT

Studying organ motion or pathology progression is an important task in diagnosis and therapy of various diseases. Typically, this task is approached by deformable registration of successive images followed by the analysis of the resulting deformation field(s). Most registration methods require prior knowledge in the form of regularization of the image transformation which is often sensitive to tuneable parameters. Alternatively, we present a registration approach which learns a low-dimensional stochastic parametrization of the deformation -- unsupervised, by looking at images. Hereby, spatial regularization is replaced by a constraint on this parameter space to follow a prescribed probabilistic distribution, by using a conditional variational autoencoder (CVAE). This leads to a generative model designed to be structured and more anatomy-invariant which makes the deformation encoding potentially useful for analysis tasks like the transport of deformations. We also constrain the deformations to be diffeomorphic using a new differentiable exponentiation layer. We used data sets of 330 cardiac and 1000 brain images and demonstrate accurate registration results comparable to two state-of-the-art methods. Besides, we evaluate the learned deformation encoding in two preliminary experiments: 1) We illustrate the model's anatomy-invariance by transporting the encoded deformations from one subject to another. 2) We evaluate the structure of the encoding space by clustering diseases.

研究の動機と目的

• 調整可能な正則化パrameterに敏感な従来の可変登録手法の問題を、データから構造的な変形事前分布を学習することで解決すること。
• 医療画像解析における変形モデリングにおける解剖学的不変性と一般化性能を向上させること。
• 明示的な正則化を用いずに、正確で微分可能かつ微分同相な画像登録を実現すること。
• 変形輸送や疾患クラスタリングなどの後続タスクを支援できる生成モデルとしての変形モデルの開発。

提案手法

• 条件付き変分オートエンコーダー（CVAE）を訓練し、画像ペアから直接変形の低次元確率的パrametrizationを学習する。
• CVAEの潜在空間を所定の確率分布（例：正規分布）に従わせることで、潜在事前分布を通じて空間的正則化を暗黙的に強制する。
• すべての生成変形が微分同相であることを保証するため、新しい微分可能な指数写像層を導入する。
• 画像再構成とKLダイバージェンスの損失を用いて、変形場をベクトル場の指数写像から得る形で、エンドツーエンドにモデルを訓練する。
• 変形場は学習されたベクトル場の指数写像として生成され、滑らかで逆写像可能な変換を保証する。
• 被験者間での潜在コードの転送により、ゼロショット変形転送が可能となり、解剖学的不変な変形輸送が実現される。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、明示的な正則化を用いずに、構造的で解剖学的不変な変形事前分布を学習できるか？
• RQ2 CVAEベースの潜在空間は、異なる解剖的構造および被験者間でどれほど一般化するか？
• RQ3 学習された変形表現は、被験者間での変形輸送にどの程度寄与できるか？
• RQ4 変形モデルの潜在空間は、疾患進行のような生物学的に意味のあるパターンを捉えられるか？
• RQ5 提案手法は、最先端の微分同相登録手法と比較して、どの程度高い精度を達成するか？

主な発見

• 本手法は、330例の心臓MRIおよび1000例の脳MRIデータセットにおいて、2つの最先端手法と同等の登録精度を達成した。
• 学習された変形表現により、1名の被験者から別の被験者への変形輸送が成功し、解剖学的不変性が実証された。
• 学習された潜在空間におけるクラスタリングにより、疾患の意味のあるグループ化が得られ、病理的パターンの構造的組織化が示された。
• 微分可能な指数写像層のおかげで、すべての変形が微分同相であり、トポロジーの一貫性が保たれた。
• 潜在分布に空間的制約を埋め込むことで、手動で調整する必要のある正則化パrameterへの依存が低減された。
• CVAEベースのパrametrizationにより、コン act で解釈可能かつ生成的な複雑な臓器変形のモデリングが可能になった。