[論文レビュー] Robust joint registration of multiple stains and MRI for multimodal 3D histology reconstruction: Application to the Allen human brain atlas

Adrià Casamitjana, Marco Lorenzi+7 more|arXiv (Cornell University)|Apr 30, 2021

Medical Image Segmentation Techniques参考文献 71被引用数 22

ひとこと要約

本論文は、潜在的変換を通じて空間的変形をモデル化することにより、複数のヒストロロジー染色とMRIの整合的で頑健な3次元再構成のための確率的でスパニングツリー型フレームワークを提案する。折りたたみや裂け目などのアーチファクトに強く、滑らかで正確な再構成を実現し、アレン・ヒューマンブレインアトラスにおいても成功が確認された。MNI空間への登録により、アトラス間統合が可能である。

ABSTRACT

Joint registration of a stack of 2D histological sections to recover 3D structure (``3D histology reconstruction'') finds application in areas such as atlas building and validation of \emph{in vivo} imaging. Straightforward pairwise registration of neighbouring sections yields smooth reconstructions but has well-known problems such as ``banana effect'' (straightening of curved structures) and ``z-shift'' (drift). While these problems can be alleviated with an external, linearly aligned reference (e.g., Magnetic Resonance (MR) images), registration is often inaccurate due to contrast differences and the strong nonlinear distortion of the tissue, including artefacts such as folds and tears. In this paper, we present a probabilistic model of spatial deformation that yields reconstructions for multiple histological stains that that are jointly smooth, robust to outliers, and follow the reference shape. The model relies on a spanning tree of latent transforms connecting all the sections and slices of the reference volume, and assumes that the registration between any pair of images can be see as a noisy version of the composition of (possibly inverted) latent transforms connecting the two images. Bayesian inference is used to compute the most likely latent transforms given a set of pairwise registrations between image pairs within and across modalities. The framework is used for accurate 3D reconstruction of two stains (Nissl and parvalbumin) from the Allen human brain atlas, showing its benefits on real data with severe distortions. Moreover, we also provide the registration of the reconstructed volume to MNI space, bridging the gaps between two of the most widely used atlases in histology and MRI. The 3D reconstructed volumes and atlas registration can be downloaded from https://openneuro.org/datasets/ds003590. The code is freely available at https://github.com/acasamitjana/3dhirest.

研究の動機と目的

• 2次元ヒストロジー登録の限界、例えば「バナナ効果」と「zシフトドリフト」を解消するため、外部のMRIリファレンスを統合する。
• 重度の組織変形やアーチファクトが生じる状況下でも、Nissl染色やパルバブミン染色などのマルチモodalヒストロジーの正確で滑らかな3次元再構成を可能にする。
• 一様な確率的モデルを用いて複数の染色とMRIを同時に登録することで、一貫性と頑健性を向上させる。
• MNI空間への登録を備えた、公開可能な高解像度3次元再構成を提供し、スケールを越えた神経画像解析を支援する。

提案手法

• すべてのヒストロジー断層とMRIスライスを接続するスパニングツリー型の潜在的変形変換を用い、一貫性のある再構成を実現する。
• ペアワイズ画像登錻を、ノイズを含む潜在的変換の合成としてモデル化し、ベイズ推論により最も可能性の高い変換を推定する。
• 2つの尤度モデルを採用：閉形式最適化に適したガウス分布（ℓ2ノルム）と、線形計画法により外れ値に対して頑健なラプラス分布（ℓ1ノルム）。
• Nissl–MRI や Nissl–パルバブミン などのモダリティ間・モダリティ内登録を統合した1つの推論フレームワークに統合し、一貫性を向上させる。
• 複数の対照モードにおける観測グラフをモデル化することで、染色の不規則なサンプリングにも対応し、冗長性と頑健性を向上させる。
• 完全な2次関数的観測計算を回避するため、階層的推論戦略を採用し、計算効率を高める。

実験結果

リサーチクエスチョン

• RQ1 潜在的空間的変換の確率的モデルは、組織アーチファクトに対して頑健な性能を発揮する一方で、複数のヒストロジー染色とMRIを統合的に再構成できるか？
• RQ2 マルチモーダル3次元ヒストロジー再構成において、ℓ1ノルム（ラプラス尤度）が外れ値に対してどのようにℓ2ノルム（ガウス尤度）よりも頑健性を向上させるか？
• RQ3 事前にアーチファクト補正を行わずとも、折りたたみ、裂け目、染色の不均一性といった非線形的歪みをどれほど効果的に是正できるか？
• RQ4 実際の人間脳データを用いた検証において、重度の組織変形が生じる状況下でも、解剖学的正確性と滑らかさをどれほど保持できるか？
• RQ5 本フレームワークは、複数の染色と標準MNI空間への登録を統合することで、正確で一貫性のある3次元再構成を可能にし、アトラス間統合を促進できるか？

主な発見

• 本手法は、アレン・ヒューマンブレインアトラスのNissl染色およびパルバブミン染色の3次元ボリュームを、折りたたみや裂け目といった重度のアーチファクトが存在する中でも滑らかで解剖学的に正確な遷移を実現して再構成した。
• ℓ1ノルム（ラプラス尤度）の定式化は、外れ値に対して優れた頑健性を示し、高外れ値率の合成テストにおいても性能劣化が観察されなかった。
• 再構成済みのヒストロジーボリュームは、MNI空間への正確な登録が達成され、生体MRIアトラスとの直接比較が可能になった。
• ランドマークベースの誤差指標において、ベースラインの反復登録（IR）および最先端のツール（RegNet や NiftyReg）を上回る性能を示し、特に断層間および断層内登録の整合性に優れた。
• 潜在的変換のスパニングツリーの採用により、誤差伝搬が低減された。局所的な登録誤差が隣接断層や全体のボリュームに影響を及ぼさないことが実証された。
• 計算効率が高く、標準の8コアCPU上で3次元再構成を約150分で完了し、対象モード数の増加に伴い実行時間に顕著な増加がなかった。