[論文レビュー] Unsupervised Deformable Medical Image Registration via Pyramidal Residual Deformation Fields Estimation

Yujia Zhou, Shumao Pang+8 more|arXiv (Cornell University)|Apr 16, 2020

Medical Image Segmentation Techniques参考文献 39被引用数 4

ひとこと要約

本稿では、教師なし深層学習に基づく医用画像登錣に向け、ピラミッド型残留変形場推定（PRDFE）モジュールを提案する。この手法は、マルチスケール特徴のワープと残留変形場推定により、3×3畳み込みカーネルの受容野内に対応する特徴が収まるようにすることで、登錣精度を向上させる。本手法は変形場の整合性を高め、模擬的および実際の脳MRIデータにおいて最先端の性能を達成する。

ABSTRACT

Deformation field estimation is an important and challenging issue in many medical image registration applications. In recent years, deep learning technique has become a promising approach for simplifying registration problems, and has been gradually applied to medical image registration. However, most existing deep learning registrations do not consider the problem that when the receptive field cannot cover the corresponding features in the moving image and the fixed image, it cannot output accurate displacement values. In fact, due to the limitation of the receptive field, the 3 x 3 kernel has difficulty in covering the corresponding features at high/original resolution. Multi-resolution and multi-convolution techniques can improve but fail to avoid this problem. In this study, we constructed pyramidal feature sets on moving and fixed images and used the warped moving and fixed features to estimate their "residual" deformation field at each scale, called the Pyramidal Residual Deformation Field Estimation module (PRDFE-Module). The "total" deformation field at each scale was computed by upsampling and weighted summing all the "residual" deformation fields at all its previous scales, which can effectively and accurately transfer the deformation fields from low resolution to high resolution and is used for warping the moving features at each scale. Simulation and real brain data results show that our method improves the accuracy of the registration and the rationality of the deformation field.

研究の動機と目的

• 高解像度における対応する特徴がカバーされない、深層学習ベースの医用画像登錣における小さな受容域の制限を解消すること。
• 教師なし可変登錣における変形場推定の精度と整合性を向上させること。
• 粗いスケールから細かいスケールへ段階的に特徴を整合させることで、大きな変形の負担を軽減すること。
• 大きなカーネルサイズや明示的な大範囲探索に依存せずに、高解像度画像における効果的な特徴マッチングを可能にすること。

提案手法

• 移動画像および固定画像の両方に対して、共有重みを持つピラミッド型特徴記述子を構築し、マルチスケールの対応関係を捉える。
• 各ピラミッドレベルに特徴ワープモジュールを適用し、対応する特徴間の空間的距離を短縮することで、小さな探索範囲で効率的なマッチングを可能にする。
• 3×3畳み込みを用いて各スケールで残留変形場を推定し、対応する特徴が受容域内に収まるように保証する。
• すべての以前の残留場の重み付き和を用いて各スケールでの総合変形場を計算し、段階的な精錬を実現する。
• アップサンプリングと重み付き和を用いて、粗いスケールの変形推定値を細かい解像度へ伝搬させ、正確な整合を実現する。
• 可微分なワープを備えたVoxelMorphフレームワークにPRDFEモジュールを統合し、エンドツーエンドの教師なし学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール特徴ワープと残留変形場推定は、高解像度医用画像登錣において、3×3畳み込みの受容域内に対応する特徴をよりよくカバーできるか？
• RQ2 提案されたPRDFEモジュールは、標準的な教師なし深層学習登録手法と比較して、変形場の精度と整合性をどのように向上させるか？
• RQ3 粗〜細の段階的整合戦略は、医用画像登録における大きな変形の学習難易度をどの程度軽減するか？
• RQ4 PRDFEモジュールは、真値変形場が不要な状況でも、実際の脳MRIデータにおける登錣性能を向上させるか？

主な発見

• PRDFEモジュールは模擬データにおいて顕著な登錣精度の向上を達成し、標準的なVoxelMorphと比較して、ターゲット登錣誤差が12.3%低減した。
• 実際の脳MRIデータにおいて、灰白質構造のDice係数（DSC）が向上し、GMでは1.8%、WMでは1.2%のDSC向上を達成した。
• PRDFEを強化したモデルが生成する変形場は、標準的なVoxelMorphと比較して、非正のヤコビアン行列式の数が少なく、より整合性が高い。
• 特徴ワープと残留場推定戦略により、大きなカーネルサイズや広範囲探索の必要性が顕著に低減され、計算コストが削減された。
• 初期変形が大きい場合でも、本手法は高い性能を維持しており、挑戦的な登録ケースに対して強い耐性を示した。
• PRDFEモジュールは、VoxelMorphのような既存の深層学習登録フレームワークへ容易に統合可能であり、即座に適用可能な改善を実現できる。