[論文レビュー] Linear and Deformable Image Registration with 3D Convolutional Neural Networks

Stergios Christodoulidis, Mihir Sahasrabudhe+5 more|arXiv (Cornell University)|Sep 13, 2018

Radiomics and Machine Learning in Medical Imaging被引用数 6

ひとこと要約

本論文では、微分可能ワーピング層とモジュラーサイミラリティ関数を用いた、アンサンブル学習による非教師あり訓練を実施する、1つのエンドツーエンドフレームワーク内で線形および可変的画像登録を同時に学習する3次元畳み込みニューラルネットワークを提案する。本手法は、近似リアルタイム性能（1症例あたり0.5秒）を達成し、3次元MRI肺データにおいて最新のエラスティック登録手法を上回る精度を示し、間質性肺疾患分類において優れた正確性と臨床的妥当性を有している。

ABSTRACT

Image registration and in particular deformable registration methods are pillars of medical imaging. Inspired by the recent advances in deep learning, we propose in this paper, a novel convolutional neural network architecture that couples linear and deformable registration within a unified architecture endowed with near real-time performance. Our framework is modular with respect to the global transformation component, as well as with respect to the similarity function while it guarantees smooth displacement fields. We evaluate the performance of our network on the challenging problem of MRI lung registration, and demonstrate superior performance with respect to state of the art elastic registration methods. The proposed deformation (between inspiration & expiration) was considered within a clinically relevant task of interstitial lung disease (ILD) classification and showed promising results.

研究の動機と目的

• 3次元医用ボリュームにおける線形および可変的画像登録を統合的に最適化する、一元的で非教師ありの深層学習フレームワークの開発。
• 高い登録精度を維持しつつ、計算コストを低減し、近似リアルタイム推論を実現する。
• 類似度指標や変換タイプの選択に依存しないモジュラーアーキテクチャの構築。
• 呼気・呼気肺スキャンからの間質性肺疾患（ILD）分類において、学習された変形が臨床的妥当性を有するかの評価。
• 深層学習による登録で得られた変形場が、疾患診断に有用な識別的情報を保持していることを示す。

提案手法

• バックプロパゲーション中の勾配伝播を可能にするために、後向き三線形補間を実行する微分可能ワーピング層を備えた3次元CNNを採用。
• 変形場はアフィン（線形）変換行列Aと非線形で密な変位場G_Nの組み合わせとしてモデル化され、エンドツーエンドで予測される。
• 類似度関数（例：NCC、MI、DWM）をネットワークアーキテクチャから分離することで、柔軟な統合が可能となるモジュラー設計を採用。
• Gをボクセル単位の密な変位マップとして定義することで、滑らかで自己交差のない変換を保証。
• 地上真値の変形場が不要な非教師あり訓練を、画像強度類似度のみを用いて実施。
• 残差変形G_δ = G - G_Iを抽出し、ILD診断のための下流分類器への入力として使用。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習アーキテクチャが、統合的でエンドツーエンドのフレームワーク内で線形および可変的登録を効果的に統合できるか。
• RQ2 提案手法が、3次元MRI肺データにおいて最新のエラスティック登録手法と比較して優れた登録精度を達成できるか。
• RQ3 ネットワークが学習した変形場を用いて、間質性肺疾患の状態などの臨床的アウトカムを予測できるか。
• RQ4 線形成分の導入が、全体の登録性能および計算効率に与える影響はいかほどか。
• RQ5 変形場が、疾患分類に臨床的に関連する解剖学的情報をどの程度保持しているか。

主な発見

• 本手法は、肺登録タスクにおいて平均ターゲット登録誤差（ds）が4.358 mmを達成し、ベースライン手法（4.699 mm）およびアフィン成分を欠落させたアブレーションバージョン（4.569 mm）を上回った。
• 線形成分の導入により、登録精度が約0.5%向上し、性能向上に顕著な寄与が示された。
• GPU上での推論時間は1症例あたり約0.5秒であり、近似リアルタイム応用が可能となった。
• 残差変形を入力とした分類器は、健康な患者と病変を有する患者を区別する際、84.62%の精度を達成し、ベースライン手法（69.23%）を顕著に上回った。
• 可視化結果から、登録誤差は主に画像境界部に局在しており、大規模な局所的変位が完全に捉え切れていないことが示された。
• モジュラー設計により、複数の類似度指標（NCC、DWM、MI）とのシームレスな統合が可能であり、異なる最適化基準においても柔軟性と頑健性が確認された。