[論文レビュー] Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans

Xinzi He, Jia Guo+10 more|arXiv (Cornell University)|Jun 14, 2021

Lung Cancer Diagnosis and Treatment参考文献 24被引用数 9

ひとこと要約

本論文は、多スケール特徴ピラミッド、正規化された局所コスト相関ボリューム、および変形ベクトル場の再帰的精錬を活用して、呼気と吸気のCTスキャン間の教師なし3次元可変的肺登録を実現する再帰的精錬ネットワーク（RRN）を提案する。RRNは、DirLab COPDGeneデータセット上で、SOTAの平均ターゲット登録誤差（TRE）0.83 mmを達成し、前回の最良ランクイン結果比で13%の誤差低減を達成しており、VoxelMorph比では89%の低減を示している。

ABSTRACT

Unsupervised learning-based medical image registration approaches have witnessed rapid development in recent years. We propose to revisit a commonly ignored while simple and well-established principle: recursive refinement of deformation vector fields across scales. We introduce a recursive refinement network (RRN) for unsupervised medical image registration, to extract multi-scale features, construct normalized local cost correlation volume and recursively refine volumetric deformation vector fields. RRN achieves state of the art performance for 3D registration of expiratory-inspiratory pairs of CT lung scans. On DirLab COPDGene dataset, RRN returns an average Target Registration Error (TRE) of 0.83 mm, which corresponds to a 13% error reduction from the best result presented in the leaderboard. In addition to comparison with conventional methods, RRN leads to 89% error reduction compared to deep-learning-based peer approaches.

研究の動機と目的

• 呼気と吸気の呼吸相における異なる撮影時刻の肺CTスキャンの教師なし3次元可変的画像登録の精度を向上させること。
• 高いメモリ使用量、大規模変形における性能の低さ、特徴表現の最適でない点といった、既存のディープラーニングベースの登録手法の限界を解消すること。
• 多スケール特徴を介した再帰的精錬の原則を再考し、計算効率を維持したまま登録精度を向上させること。
• 肺セグメンテーションマスクを必要とせず、挑戦的な肺CT登録タスクにおいて既存手法を上回る汎用性を持つフレームワークを構築すること。

提案手法

• 本手法は、移動および固定CT画像から多スケール特徴を抽出するための、共有重みを用いたシアンサイト型CNNベースの特徴ピラミッド抽出器を採用し、一貫した特徴空間の整合性を確保する。
• 特徴ピラミッドから正規化された局所コスト相関ボリュームを構築し、歪みを加えた特徴よりも、変形探索空間のより判別性が高く、メモリ効率の良い表現を提供する。
• 再帰的精錬機構により、粗いスケールから細かいスケールへとピラミッドレベルを経て変形ベクトル場（DVF）を繰り返し精錬し、大規模な肺変形に対しても精度を向上させる。
• 各レベルにおけるDVF推定器は軽量で、共有重みを持つネットワークであり、コスト相関ボリュームと多スケール特徴を用いてDVFを予測または精錬する。
• 教師なしで学習されるため、真値の変形場や肺マスクの必要がない、ボリュメトリック類似度損失を用いる。
• アーキテクチャはメモリ効率に配慮しており、256³ボクセル入力に対してわずか12GBのGPUメモリで動作し、VoxelMorphの22GBに比べて顕著に少ない。

実験結果

リサーチクエスチョン

• RQ1 多スケール特徴を介した再帰的精錬は、単一段階または段階的アプローチと比較して、教師なし3次元肺CT登録の精度を向上させることができるか？
• RQ2 正規化された局所コスト相関ボリュームの使用は、直接的な特徴連結や歪みを加えた特徴と比較して、変形場の表現をより良くするか？
• RQ3 軽量で共有重みを持つネットワーク設計は、既存のディープラーニングベースの登録モデルと比較して、パラメータ数とメモリ消費量を削減しながらも優れた性能を達成できるか？
• RQ4 本手法は、大規模な呼吸変形を伴う現実世界の挑戦的で実用的なCOPDGeneデータセットにおいて、最先端の最適化ベースおよび学習ベースの手法と比較してどうなるか？

主な発見

• RRNは、DirLab COPDGeneデータセットでSOTAの平均ターゲット登録誤差（TRE）0.83 mmを達成し、前回の最良ランクイン結果比で13%の改善を示した。
• 本手法は、先行するベースラインであるVoxelMorphと比較してTREを89%低減した。
• RRNは10件のテストケースにおいて標準偏差が0.15と低く、一貫性のある性能を示し、優れた一般化性能を示した。
• アブレーションスタディにより、コスト相関ボリュームと再帰的精錬のコンponentsが不可欠であることが確認され、それらを除去するとTREが0.83 mmから1.10 mmに上昇した。
• 256³入力に対してRRNはわずか12GBのGPUメモリを必要とし、VoxelMorphの22GBに比べ45%の低減を達成し、高いメモリ効率を示した。
• 本手法は肺セグメンテーションマスクを必要としていないが、依然として最高の精度を達成しており、耐障害性と一般化性能の高さを示している。