[論文レビュー] SUGAR: Spherical Ultrafast Graph Attention Framework for Cortical Surface Registration

Jianxun Ren, Ning An+13 more|arXiv (Cornell University)|Jul 2, 2023

Acute Ischemic Stroke ManagementMedicine被引用数 3

ひとこと要約

SUGAR は、オイラー角に基づく変形モデリングを用いた U-Net ベースの球面グラフアテンションネットワークを備えた、皮質表面登録のための画期的な教師なし深層学習フレームワークである。1 人当たりの処理時間が 1 秒未塔であり、従来手法と比較して 12,000 倍高速でありながら、7 つのデータセットからなる 10,000 件を超えるスキャンにおいて、最先端の精度および歪み制御を達成している。

ABSTRACT

Cortical surface registration plays a crucial role in aligning cortical functional and anatomical features across individuals. However, conventional registration algorithms are computationally inefficient. Recently, learning-based registration algorithms have emerged as a promising solution, significantly improving processing efficiency. Nonetheless, there remains a gap in the development of a learning-based method that exceeds the state-of-the-art conventional methods simultaneously in computational efficiency, registration accuracy, and distortion control, despite the theoretically greater representational capabilities of deep learning approaches. To address the challenge, we present SUGAR, a unified unsupervised deep-learning framework for both rigid and non-rigid registration. SUGAR incorporates a U-Net-based spherical graph attention network and leverages the Euler angle representation for deformation. In addition to the similarity loss, we introduce fold and multiple distortion losses, to preserve topology and minimize various types of distortions. Furthermore, we propose a data augmentation strategy specifically tailored for spherical surface registration, enhancing the registration performance. Through extensive evaluation involving over 10,000 scans from 7 diverse datasets, we showed that our framework exhibits comparable or superior registration performance in accuracy, distortion, and test-retest reliability compared to conventional and learning-based methods. Additionally, SUGAR achieves remarkable sub-second processing times, offering a notable speed-up of approximately 12,000 times in registering 9,000 subjects from the UK Biobank dataset in just 32 minutes. This combination of high registration performance and accelerated processing time may greatly benefit large-scale neuroimaging studies.

研究の動機と目的

• 大規模神経画像研究における、計算効率的で正確な皮質表面登録の重要なニーズに対応すること。
• 高精度であるがゆえに大規模データセットでは処理が遅すぎるという従来の登録手法の限界を克服すること。
• 深層学習の表現力と実用的導入のギャップを埋めるために、登録において高スループットと高忠実度の両立を達成すること。
• 球面皮質表面における剛体および非剛体登録を統合的にサポートするフレームワークの開発。
• 特別な損失関数およびデータ拡張を用いて、登録中にトポロジー的歪みと幾何的不一致を最小限に抑えること。

提案手法

• 球面メッシュ上のグラフ畳み込み層を用いて皮質表面の幾何をモデル化する、U-Net ベースの球面グラフアテンションネットワークの提案。
• 滑らかで微分可能かつ解釈可能な非剛体変換を保証するため、変形場をオイラー角で表現。
• 類似度損失、折りたたみ損失、複数の歪み損失を組み合わせたマルチコンポonent損失関数を導入し、トポロジーの保存と幾何的歪みの最小化を実現。
• 球面表面に特化した新しいデータ拡張戦略を採用し、トレーニング中の汎化性と耐障害性を向上。
• 教師なしトレーニングパラダイムを採用し、真の変形ラベルを一切使用せず、画像類似度と幾何的正則化に依存。
• 入力表現の安定化とトレーニング収束の改善を図るため、球面調和関数に基づく前処理を適用。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのフレームワークは、皮質表面データにおいて、1 秒未塔の処理時間と最先端の登録精度の両方を達成できるか？
• RQ2 提案された球面グラフアテンションネットワークは、従来手法と比較して、複雑な皮質形状をどれほど効果的に捉えられるか？
• RQ3 折りたたみ損失および歪み損失の導入により、非剛体登録におけるトポロジー的忠実性と幾何的正確性はどの程度向上するか？
• RQ4 提案されたデータ拡張戦略は、多様な神経画像データセット間でのモデルの汎化性を顕著に向上させられるか？
• RQ5 SUGAR は、複数の大規模データセットにおいて、テスト・リテストの再現性および一貫性をどの程度達成するか？

主な発見

• SUGAR は 1 人当たりの処理時間が 1 秒未塔であり、9,000 人の UK Biobank データを 32 分で登録した結果、従来手法と比較して約 12,000 倍の高速化を達成した。
• 7 つの多様なデータセットにおいて、最先端の従来手法および学習ベース手法と同等またはそれ以上の登録精度を示した。
• 折りたたみ損失および歪み損失の導入により、トポロジー的誤差と幾何的歪みが顕著に低減され、登録の信頼性が向上した。
• テスト・リテスト再現性分析から、繰り返しスキャンにおいて高い一貫性が確認され、学習された変換の堅牢性と安定性が裏付けられた。
• 提案されたデータ拡張戦略により、過学習が低減され、異なる画像プロトコルおよび被験者間での汎化性が向上し、登録性能が向上した。
• SUGAR は多様な集団および画像収集プロトコルにおいても高い性能を維持しており、実世界の神経画像応用における強力な汎化能力を示している。