[論文レビュー] Robust, fast and accurate: a 3-step method for automatic histological image registration

Johannes Lotz, Nick Weiss+1 more|arXiv (Cornell University)|Mar 28, 2019

AI in cancer detection参考文献 12被引用数 12

ひとこと要約

本論文は、マルチスティンの連続セクションにおける頑健性、高速性、正確性を保証する3段階の自動ヒストロロジカル画像登録パイプラインを提示する。粗い解像度から細かい解像度へ段階的に最適化するノーマライズド勾配フィールド（NGF）距離最小化と、事前登録、アフィンパラメトリック登録、非線形Bスプライン変形を用い、平均4秒で0.19％の中央相対ターゲット登録誤差（MMrTRE）を達成した。

ABSTRACT

We present a 3-step registration pipeline for differently stained histological serial sections that consists of 1) a robust pre-alignment, 2) a parametric registration computed on coarse resolution images, and 3) an accurate nonlinear registration. In all three steps the NGF distance measure is minimized with respect to an increasingly flexible transformation. We apply the method in the ANHIR image registration challenge and evaluate its performance on the training data. The presented method is robust (error reduction in 99.6% of the cases), fast (runtime 4 seconds) and accurate (median relative target registration error 0.19%).

研究の動機と目的

• デジタル病理学における、異なる染色法を施した連続ヒストロロジカルセクションの正確で自動的な登録の課題に対処すること。
• マルチモodal画像登録における高い正確性を維持しつつ、計算複雑性を低減すること。
• 手動による介入なしに、多様な染色差異や初期のずれに対しても頑健な登録を可能にすること。
• ホールスライドイメージングにおける臨床的および研究的ワークフローに適したリアルタイム性能を達成すること。
• 階層的でマルチスケールのアプローチを用いて、ANHIRチャレンジにおけるランドマークベース登録の正確性を向上させること。

提案手法

• 3段階のパイプラインを採用：(1) 剛体事前登録のための自動回転調整、(2) 粗い解像度の画像におけるパラメトリックアフィン登録、(3) 高解像度画像における非線形非剛性登録。
• 染色差異に強く、エッジベースの登録に適した、コアの類似性指標としてノーマライズド勾配フィールド（NGF）距離を用いる。
• 収束を加速し、局所最適解を回避するために、解像度を段階的に低下させるマルチレベル最適化を適用。
• パラメトリック登録にはガウス・ニュートン最適化、非線形登録にはL-BFGS準ニュートン最適化（Bスプライン制御点を用いて）を適用。
• 各ステップごとに異なるNGFパラメータ（ε）と解像度レベルを設定：事前登録およびパラメトリック登録ではε=0.1、非線形登録ではε=1.0。
• 変形場を1次Bスプラインで離散化し、257×257の制御グリッドを用い、折りたたみを防ぐために正則化パラメータα=0.1を設定。

実験結果

リサーチクエスチョン

• RQ1 3段階の登録パイプラインは、多様で異なる染色法を施したヒストロロジカルセクションにおいて、高い正確性と頑健性を達成できるか？
• RQ2 粗い解像度から細かい解像度への段階的最適化は、ヒストロロジカル画像登録における速度と収束性をどのように向上させるか？
• RQ3 染色差異の処理において、NGF距離指標は他の類似性指標をどの程度上回るか？
• RQ4 ホールスライド画像登録において、計算効率と登録正確性のトレードオフはどのようなものか？
• RQ5 自動事前登録は、事前の知識なしに任意の初期回転および平行移動を効果的に処理できるか？

主な発見

• 本手法は、ANHIRトレーニングデータセットで中央相対ターゲット登録誤差（MMrTRE）0.19％、平均MMrTRE 0.49％を達成した。
• 99.6％のケースで頑健性が確保された。これは、初期登録と比較してランドマーク誤差が有意に低減したことを定義する。
• 頑健なケースに限定して評価した場合、中央誤差は0.19％、平均MMrTREは0.30％であり、良好に登録されたペアにおいて高い一貫性を示した。
• 画像読み込みを含む登録パイプライン全体は、標準のデスクトップCPU（i7-7700K）で平均4.0秒で実行された。
• グリッドセルあたりの最大面積変化の平均は1.35％であり、変形場における幾何的歪みは最小限で、折りたたみは発生しなかった。
• 事前登録段階では、99.6％のケースで初期ずれが効果的に低減されたが、この段階での失敗は後続ステップで回復できなかった。