[論文レビュー] Spatially-varying Regularization with Conditional Transformer for Unsupervised Image Registration

Junyu Chen, Yihao Liu+2 more|arXiv (Cornell University)|Mar 10, 2023

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

本論文は、変形の滑らかさを動的に制御できるように条件付きTransformerを用いて、教師なし医療画像登錻のための空間的に変化する正則化を学習するエンドツーエンドのディープラーニングフレームワークを提案する。正則化ハイパーパrameterをネットワークに条件付け、滑らかさを強制する新しい対数損失を導入することで、複数のデータセットで優れた登錻精度と変形の不規則性の低減を達成し、最先端のベースラインを上回る性能を発揮する。

ABSTRACT

In the past, optimization-based registration models have used spatially-varying regularization to account for deformation variations in different image regions. However, deep learning-based registration models have mostly relied on spatially-invariant regularization. Here, we introduce an end-to-end framework that uses neural networks to learn a spatially-varying deformation regularizer directly from data. The hyperparameter of the proposed regularizer is conditioned into the network, enabling easy tuning of the regularization strength. The proposed method is built upon a Transformer-based model, but it can be readily adapted to any network architecture. We thoroughly evaluated the proposed approach using publicly available datasets and observed a significant performance improvement while maintaining smooth deformation. The source code of this work will be made available after publication.

研究の動機と目的

• ディープラーニングベースの画像登錻における空間不変正則化の限界、すなわち領域特有の変形変動を考慮できない問題を解決すること。
• データから直接空間的に変化する正則化重みを学習するエンドツーエンドでトレーニング可能なフレームワークを開発すること。
• 正則化強度をネットワークアーキテクチャに条件付けることで、推論時に変形の滑らかさを柔軟に制御できるようにすること。
• 既存のDNNベースの登錻モデルと大きなアーキテクチャ的変更なしに容易に統合可能なようにすること。

提案手法

• 本手法は、ボクセル単位の重みボリュームを学習して変形の滑らかさを調整することで、空間的に変化する正則化を適用する重み付き拡散正則化子を導入する。
• ネットワークが可能な限り強い正則化を適用するよう促すために、新しい対数損失項を提案する。これにより、変形場全体の滑らかさが向上する。
• 正則化ハイパーパrameter η は、変形の滑らかさを推論中に異なる画像領域で動的に調整できるように、Transformerベースのネットワークに条件付けられる。
• 本フレームワークはさまざまなネットワークアーキテクチャと互換性があり、既存の教師なしDNN登錻モデルに容易に適応可能である。
• 重みボリュームはニューラルネットワークを介してエンドツーエンドで予測され、正則化強度は学習可能なハイパーパrameter η によって制御される。
• 本手法は、合成および実際の医療画像データセットを用いて評価され、さまざまな登錻タスクにわたる頑健性と一般化性能が示された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの手法は、データから空間的に変化する正則化重みを効果的に学習し、画像登錻性能の向上に寄与できるか？
• RQ2 正則化ハイパーパrameterをネットワークアーキテクチャに条件付けた場合、変形の滑らかさに対する適応性と制御性にどのような影響を与えるか？
• RQ3 提案された対数損失項は、変形場全体の滑らかさを効果的に促進しつつ、正則化強度の局所的変動を許容できるか？
• RQ4 本手法は、アーキテクチャの大幅な見直しを伴わずに、既存の教師なしDNN登錻フレームワークにシームレスに統合可能か？
• RQ5 本手法は、登錻精度および変形品質の観点で、最先端の手法と比較してどのように優れているか？

主な発見

• OASISデータセットでは、提案手法TM-SPRはDiceスコア0.870 ± 0.017を達成し、TM-TVF (0.869 ± 0.014) や他のベースラインを顕著に上回り、対応t検定でp ≪ 0.0001の有意差を示した。
• IXIデータセットでは、TM-SPRはDiceスコア0.769 ± 0.123を達成し、TM-TVFを含むすべての比較手法を統計的に有意に上回った。
• 本手法は変形の不規則性を低く維持し、IXIデータセットでは0.36%の折りたたみボクセル（NDV）を示しており、高い微分同相的品質を示した。
• グリッドサーチにより、OASISでは最適なハイパーパrameter η が0.45、IXIでは2.2であることが判明し、本手法がデータ固有の特性に敏感であることが示された。
• 可視化結果から、本手法はOASISでは脳室領域に低い正則化を、IXIでは高い正則化を適応的に割り当てており、解剖学的期待と損失関数の制約に整合していた。
• TM-SPR${}_{\text{diff}}$バージョンはIXIで2番目のDiceスコア（0.762 ± 0.123）を達成し、ほぼゼロの折りたたみボクセルを実現しており、優れた微分同相的性質を示した。