[論文レビュー] Networks for Joint Affine and Non-parametric Image Registration

Zhengyang Shen, Xu Han+2 more|arXiv (Cornell University)|Mar 21, 2019

Medical Image Segmentation Techniques参考文献 14被引用数 11

ひとこと要約

本論文では、ベクトルモーメンタムパラメータ化された定常速度場（vSVF）モデルを用いて、アフィン変換と非パrametricな画像登錻を統合的に学習するエンドツーエンドのディーブラーニングフレームワーク、AVSMを提案する。この手法は、マルチステップのアフィンネットワークに続くU-Netに類似したモーメンタム生成器と、自己反復可能なマップベースのvSVFコンponentを備えており、著しく高速な推論と変換の滑らかさ、対称的なマッピングを実現しながら、最先端の登錻精度を達成している。

ABSTRACT

We introduce an end-to-end deep-learning framework for 3D medical image registration. In contrast to existing approaches, our framework combines two registration methods: an affine registration and a vector momentum-parameterized stationary velocity field (vSVF) model. Specifically, it consists of three stages. In the first stage, a multi-step affine network predicts affine transform parameters. In the second stage, we use a Unet-like network to generate a momentum, from which a velocity field can be computed via smoothing. Finally, in the third stage, we employ a self-iterable map-based vSVF component to provide a non-parametric refinement based on the current estimate of the transformation map. Once the model is trained, a registration is completed in one forward pass. To evaluate the performance, we conducted longitudinal and cross-subject experiments on 3D magnetic resonance images (MRI) of the knee of the Osteoarthritis Initiative (OAI) dataset. Results show that our framework achieves comparable performance to state-of-the-art medical image registration approaches, but it is much faster, with a better control of transformation regularity including the ability to produce approximately symmetric transformations, and combining affine and non-parametric registration.

研究の動機と目的

• 従来の最適化ベースの医療画像登錻手法における計算のボトル neck を解消すること。
• 既存のディープラーニング登錻アプローチの限界、すなわち事前アライメントへの依存、3次元におけるメモリ制限、反復的精錬の欠如を克服すること。
• アフィン変換と非パrametricな登錻を統合的に学習可能なエンドツーエンドトレーニング可能なフレームワークに統合し、微分同相性の性質を保持すること。
• モーメンタムに基づく速度場モデリングにより、特に大規模変形においても変換の滑らかさと正規性を保証すること。
• 空間的一致性や対称性を損なわず、高速かつ高精度な3次元登錻を可能にすること。

提案手法

• 本フレームワークは3段階から構成される：初期の剛体／アフィン変換推定のためのマルチステップアフィンネットワーク。
• U-Netに類似したモーメンタム生成ネットワークが低解像度の初期モーメンタム場を予測し、これを平滑化して速度場を生成する。
• 自己反復可能なマップベースのvSVFコンponentが、変形場の合成を通じて反復的に変換マップを改善することで、非パrametricな精錬を実行する。
• 全モデルは微分可能な画像リサンプリングを用いてエンドツーエンドで訓練され、登錻プロセス全体にバックプロパゲーションが可能になる。
• 滑らかさと変換予測の分離を実現するためのベクトルモーメンタムパラメータ化を採用し、大規模な変位に対しても微分同相マッピングを保証する。
• マップの合成を用いることで、重複する画像補間を回避し、効率性と数値的安定性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドでアフィン変換と非パrametricな登錻を最適化できるディープラーニングフレームワークは、変換の正規性を維持しつつ実現可能か？
• RQ2 ベクトルモーメンタムパラメータ化の使用は、変換の滑らかさと微分同相性を向上させるか？
• RQ3 アフィン段階およびvSVF段階におけるマルチステップ精錬は、計算コストを増加させることなく登錻精度を向上させるか？
• RQ4 本手法は、最先端の最適化ベースおよびディープラーニングベースの登錻手法と比較して、精度と速度の面で優れているか？
• RQ5 本フレームワークは、特に縦断的および被験者間のMRI登錻において、対称的変換をどの程度正確に生成するか？

主な発見

• AVSMフレームワークは、OAI膝MRIデータセットにおいて、最先端の最適化ベース手法と同等の登錻性能を達成した。
• 従来の反復的最適化手法と比較して著しく高速であり、学習後は1回のフォワードパスで登錻を完了した。
• 変換マップは非常に高い正規性を示し、大規模な変形や解剖学的不一致領域でも、折りたたみアーチファクトが最小限に抑えられた。
• マルチステップのvSVF精錬により、ステップごとに登錻精度が段階的に向上し、Diceスコアが高水準に飽和した。
• フレームワークは、縦断的研究やグループ分析において極めて重要な、近似的に対称的な変換を生成した。
• モーメンタムベースのvSVFモデルにより、滑らかで微分同相なマッピングが、大規模な変位に対しても保証された。これは、滑らかさとパラメータ予測の分離に起因する。