[論文レビュー] On Reducing Negative Jacobian Determinant of the Deformation Predicted by Deep Registration Networks

Dongyang Kuang|arXiv (Cornell University)|Jun 28, 2019

Medical Image Segmentation Techniques参考文献 17被引用数 4

ひとこと要約

本論文は、深層教師なし画像登錻ネットワークにおける負のヤコビアン行列式の低減を目的として、サイクル整合性設計とリファイニングモジュールの2つの訓練メカニズムの改善を提案する。これにより、ネットワークアーキテクチャを変更せず、登錻精度を損なわずに変形における折りたたみの位置を顕著に減少させた。

ABSTRACT

Image registration is a fundamental step in medical image analysis. Ideally, the transformation that registers one image to another should be a diffeomorphism that is both invertible and smooth. Traditional methods like geodesic shooting approach the problem via differential geometry, with theoretical guarantees that the resulting transformation will be smooth and invertible. Most previous research using unsupervised deep neural networks for registration have used a local smoothness constraint (typically, a spatial variation loss) to address the smoothness issue. These networks usually produce non-invertible transformations with ``folding'' in multiple voxel locations, indicated by a negative determinant of the Jacobian matrix of the transformation. While using a loss function that specifically penalizes the folding is a straightforward solution, this usually requires carefully tuning the regularization strength, especially when there are also other losses. In this paper we address this problem from a different angle, by investigating possible training mechanisms that will help the network avoid negative Jacobians and produce smoother deformations. We contribute two independent ideas in this direction. Both ideas greatly reduce the number of folding locations in the predicted deformation, without making changes to the hyperparameters or the architecture used in the existing baseline registration network.

研究の動機と目的

• 負のヤコビアン行列式によって示される折りたたみを示す非可逆的変形の問題を、教師なし深層学習ベースの医療画像登錻において解決すること。
• 高いハイパーパrameterチューニングを行っても、しばしば折りたたみを完全に除去できない標準的正則化の限界を克服すること。
• ネットワークアーキテクチャの変更や新たな損失関数の導入なしに、予測された変形の幾何的整合性を向上させること。
• 滑らかさと可逆性を向上させつつ、高い登錻精度を維持すること。

提案手法

• 前後変換を同時に学習するサイクル整合性設計を導入し、前向き→後向きのパスを経た後に元の入力と再構築された入力との差を最小化することで、可逆性を強制する。
• 別個のネットワークを用いて予測された変位場を繰り返し補正するリファイニングモジュールを実装し、変形の折りたたみを低減する。
• 元の損失関数を変更せずに、両方向のマッピングに共通のエンコーダ・デコーダ構造を用いることで、訓練中にサイクル整合性損失を適用する。
• 残差ブロックとLeaky ReLU活性化関数を用いたリファイニングネットワークを構築し、予測毎に4ステップの反復的改善を実行する。
• 固定学習率を用いたAdam最適化手法で、変形予測にベースラインのU-Netアーキテクチャを保持したまま、全システムを訓練する。
• 登錻精度の評価にはDiceスコア、折りたたみの指標として負のヤコビアン行列式を持つボクセルの割合を用いる。

実験結果

リサーチクエスチョン

• RQ1 損失関数やアーキテクチャを変更せずに、深層教師なし登錻ネットワークにおける負のヤコビアン行列式の低減を実現する訓練メカニズムを設計可能か？
• RQ2 訓練中にサイクル整合性を強制することで、予測された変形の可逆性と滑らかさが向上するか？
• RQ3 変位場の反復的リファイニングは、高い登錻精度を維持したまま折りたたみを低減できるか？
• RQ4 幾何的整合性とデータセット間の一般化性において、これらの手法は標準的正則化と比べてどのように差がつくか？
• RQ5 登錻性能の劣化を伴わずに、これらの手法はどれほど折りたたみを低減できるか？

主な発見

• サイクル整合性設計により、テストセット全体で平均して負のヤコビアン行列式を持つボクセルの割合が、ベースラインの1.97%から0.13%に低下した。
• リファイニングモジュールは負のヤコビアン行列式の割合を0.20%に低下させ、ベースラインの0.73%と比較して標準偏差が小さく（0.02%）、より安定した性能を示した。
• 幾何的性質の顕著な向上にもかかわらず、両手法ともDiceスコアがベースラインと同等であり、高い登錻精度を維持した。
• 変形されたグリッドの可視化により、両手法とも折りたたみを効果的に排除し、折りたたみのない領域では滑らかさを保持していることが確認された。
• サイクル整合性アプローチはリファイニングモジュールを上回り、ベースラインと比較して90%以上の問題領域を除去した。
• 提案手法は既存の登錻ネットワークと互換性があり、アーキテクチャの変更なしに他の滑らかさ向上技術と組み合わせて利用可能である。