[論文レビュー] RANCOR: Non-Linear Image Registration with Total Variation Regularization

Martin Rajchl, John S. H. Baxter+5 more|arXiv (Cornell University)|Apr 9, 2014

Medical Image Segmentation Techniques参考文献 21被引用数 12

ひとこと要約

RANCOR は、反復的凸化と全 Variation 正則化を用いて任意の点単位類似度指標を最適化する GPGPU アクセラレート非線形画像登録アルゴリズムであり、SAD のような単純な指標を使用しても IBSR データベース上で優れた登録精度（p<0.01）を達成しており、ANTs、IRTK、ART、SPM_D を含む4つの最先端手法を上回っている。

ABSTRACT

Optimization techniques have been widely used in deformable registration, allowing for the incorporation of similarity metrics with regularization mechanisms. These regularization mechanisms are designed to mitigate the effects of trivial solutions to ill-posed registration problems and to otherwise ensure the resulting deformation fields are well-behaved. This paper introduces a novel deformable registration algorithm, RANCOR, which uses iterative convexification to address deformable registration problems under total-variation regularization. Initial comparative results against four state-of-the-art registration algorithms are presented using the Internet Brain Segmentation Repository (IBSR) database.

研究の動機と目的

• 任意の点単位類似度指標と全 Variation 正則化を組み合わせた新しい非線形登録アルゴリズムの開発。変形場の滑らかさの向上を目的とする。
• 非線形画像登録の不適切な定式化を解消するため、局所最適解を避ける凸緩和フレームワークの導入。
• ボクセル間の並列性を活用した GPGPU アクセラレーションにより、大規模な医療画像登録における高性能計算を実現。
• 将来の高度な類似度指標や微分同相制約の統合を想定したオープンソースで拡張可能なフレームワークの提供。

提案手法

• 反復的凸化を用いて非凸変分登録問題を解くマルチスケール二重最適化フレームワークを採用。
• 画像の類似度低下度として絶対差分和（SAD）を用い、変形場の全 Variation（TV）を正則化項として採用。
• 各スケールで滑らかでない Gauss-Newton 法を適用し、良好に制御された変形場への収束を保証。
• 双対変数 w と q を用いたプライマル・デュアル定式化により TV 正則化を再定式化し、L1 型制約下での効率的最適化を可能に。
• ボクセル間の固有の並列性を活用するため、GPGPU 上にアルゴリズムを実装し、計算を著しく高速化。
• 粗いスケールから細かいスケールへと段階的に処理することで、大規模な変形を全体的に捉え、その後局所的詳細を精緻化。

実験結果

リサーチクエスチョン

• RQ1 全 Variation 正則化と反復的凸化を備えた非線形登録手法は、最先端手法と比較して優れた登録精度を達成できるか？
• RQ2 RANCOR が単純な SAD 指標を使用しても、相互情報量や正規化相互相関といった高度な指標を用いる手法と比較して競争力のある結果を示せるか？
• RQ3 GPGPU アクセラレーションは、滑らかでない正則化を伴う非線形画像登録の計算効率をどの程度向上させるか？
• RQ4 提案された凸緩和フレームワークは、非凸登録問題における局所最適解を効果的に回避できるか？
• RQ5 ANTs、IRTK、ART、SPM_D と比較して、IBSR データベースにおけるターゲットオーバーラップ（TO）およびその他の定量的指標において RANCOR はどの程度の性能を示すか？

主な発見

• RANCOR は、単純な SAD 指標を使用しても、4 つの最先端非線形登録手法を著しく上回り、ターゲットオーバーラップ（TO）の観点から p 値 < 0.01 の有意差を示した。
• 高度な類似度指標や Levenberg-Marquardt 最適化を用いなくても、高い登録精度を達成しており、全 Variation 正則化と凸化戦略の強靭性を示している。
• GPGPU 実装により高い計算効率が実現され、大規模な医療画像解析に適した手法となった。
• 双対変数 w と q を用いたプライマル・デュアル定式化により、滑らかでない TV 正則化の効果的な取り扱いが可能となり、安定的かつ良好に制御された変形場が得られた。
• 同一の初期化、チューニング、評価スクリプトを用いて、公開済みの IBSR データベース上でアルゴリズムの妥当性が検証され、公平かつ再現可能な比較が可能となった。
• 今後の拡張として、微分同相制約の強制と MIND や正規化相互情報量といった高度な類似度指標の統合を計画している。