[論文レビュー] Probabilistic Multilayer Regularization Network for Unsupervised 3D Brain Image Registration

Lihao Liu, Xiaowei Hu+2 more|arXiv (Cornell University)|Jul 3, 2019

Medical Image Segmentation Techniques参考文献 17被引用数 5

ひとこと要約

本論文は、2つの深層畳み込みニューラルネットワーク（CNN）の複数層における特徴表現を直接正則化する確率的マルチレイヤー正則化ネットワークを用いた、非教師付き3次元脳画像登録フレームワークを提案する。変分推論を用いて異なるレベルの特徴マップ間の変換関係をモデル化することで、LPBA40およびMindBoggle101データセットにおいて最先端の登録精度を達成し、Diceスコアにおいて従来の非教師付き手法を顕著に上回った。

ABSTRACT

Brain image registration transforms a pair of images into one system with the matched imaging contents, which is of essential importance for brain image analysis. This paper presents a novel framework for unsupervised 3D brain image registration by capturing the feature-level transformation relationships between the unaligned image and reference image. To achieve this, we develop a feature-level probabilistic model to provide the direct regularization to the hidden layers of two deep convolutional neural networks, which are constructed from two input images. This model design is developed into multiple layers of these two networks to capture the transformation relationships at different levels. We employ two common benchmark datasets for 3D brain image registration and perform various experiments to evaluate our method. Experimental results show that our method clearly outperforms state-of-the-art methods on both benchmark datasets by a large margin.

研究の動機と目的

• 3次元脳画像登録において、従来の非教師付き深層学習手法が特徴レベルでの変換関係を明示的にモデル化できないという限界を解消すること。
• 確率的モデルを用いて2つのCNNの隠れ層に直接正則化を導入することで、学習された特徴の判別性を向上させること。
• 真の変形場や手動ラベルを必要とせずに、登録ネットワークのエンドツーエンド学習を可能にすること。
• 階層的ネットワーク層に跨る複数の特徴レベルの潜在変数からの変形推定を集約することで、登録精度を向上させること。

提案手法

• 本手法は、登録対象でない脳画像と基準脳画像から階層的特徴マップを抽出するために、2つの独立した3次元CNNを用いる。
• 特徴レベルの確率的モデルが、各層 $ i $ に対して潜在変数 $ F_z^i $ を推定し、対応する特徴マップ $ F_x^i $ と $ F_y^i $ 間の空間的変換を表す。
• 確率的モデルは変分推論を用い、真の事後分布 $ p(F_z^i | F_x^i, F_y^i) $ を近似し、真の事後分布と近似事後分布のKLダイバージェンスを最小化する。
• 複数の層に跨る正則化が行われ、全層からの潜在変数がアップサンプリングされ、合算されて最終的な変形場 $ z $ が生成される。
• 最終的な変換は、空間変換ネットワーク（STN）を介して実行され、入力画像を基準画像に整列させる。
• 再構成損失と変分下界を用いて、非教師学習の枠組みでエンドツーエンドに全ネットワークを学習する。

実験結果

リサーチクエスチョン

• RQ1 特徴レベルの変換関係を明示的にモデル化することで、非教師付き3次元脳画像登録の性能が向上するか？
• RQ2 CNN特徴のマルチレイヤー正則化が、変形場予測のためのより判別性の高い表現をもたらすか？
• RQ3 本手法は、最先端の非教師付き登録ネットワークと比較して、登録精度において優れているか？
• RQ4 層ごとの確率的モデリングとグローバル特徴統合の両者の登録性能向上に与える寄与度はどの程度か？

主な発見

• LPBA40データセットにおいて、前頭前野のDiceスコアは0.711を達成し、次に優れた手法（FAIM）の0.035上回った。
• LPBA40の海馬領域において、本手法はDiceスコア0.701を達成し、2番目に優れた手法（FAIM）の0.696を顕著に上回った。
• MindBoggle101データセットでは、前頭前野のDiceスコアが0.579を記録し、FAIM（0.572）とVoxelMorph（0.534）を上回った。
• アブレーションスタディの結果、複数層に跨る確率的モデルの使用が、連結ベースの統合（Baseline-1）や単一層予測（Baseline-2）よりも性能向上をもたらした。
• 可視化比較では、本手法が競合手法と比較して、解剖学的構造をよりよく保持し、基準画像により正確に一致していた。