[論文レビュー] Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

Athena Taymourtash, S. Mazdak Abulnaga+3 more|arXiv (Cornell University)|Mar 17, 2026

Fetal and Pediatric Neurological Disorders被引用数 0

ひとこと要約

要約：本論文は volumetrically regularized implicit atlas フレームワークを提案し、共有胎盤テンプレートと微分同相フローを学習して個々の胎盤を標準空間へマッピングし、密なボクセル-wise 強度マッピングと堅牢な内部変形を実現します。

ABSTRACT

Establishing dense volumetric correspondences across anatomical shapes is essential for group-level analysis but remains challenging for implicit neural representations. Most existing implicit registration methods rely on supervision near the zero-level set and thus capture only surface correspondences, leaving interior deformations under-constrained. We introduce a volumetrically consistent implicit model that couples reconstruction of signed distance functions (SDFs) with neural diffeomorphic flow to learn a shared canonical template of the placenta. Volumetric regularization, including Jacobian-determinant and biharmonic penalties, suppresses local folding and promotes globally coherent deformations. In the motivating application to placenta MRI, our formulation jointly reconstructs individual placentas, aligns them to a population-derived implicit template, and enables voxel-wise intensity mapping in a unified canonical space. Experiments on in-vivo placenta MRI scans demonstrate improved geometric fidelity and volumetric alignment over surface-based implicit baseline methods, yielding anatomically interpretable and topologically consistent flattening suitable for group analysis.

研究の動機と目的

• 人口レベルの分析のために胎盤形状間の密な体積的対応が必要である動機づけ。
• SDF 構築と共有テンプレートへのニューラル微分同相フローを結びつけた volumetric implicit モデルを開発。
• 折り畳みを回避しトポロジーを保持する内部ボリューミック正規化を課す。
• 追加の最適化なしに、被験 MRI から canonical テンプレートへのボクセル-wise 強度マッピングを可能にする。
• 表面ベースのベースラインよりも幾何学的忠実性と微分同相の安定性を向上させることを実証。

提案手法

• Deep Implicit Templates (DIT) を拡張し、共有テンプレート SDF へという内部サンプル上で定義されたボリューミックかつ微分同相のワープを強制する。
• ワープを時制御されたニューラル速度場 v としてモデル化し、時間連続のフロー Phi を通じて前方および後方積分（ODE ベース）により微分同相性を保証する。
• フローを K 個の定常サブフィールドに離散化し、再構成、変位正規化、ボリューム正規化の結合損失で学習する。
• 折り畳みを抑制し内部変形を正規化するにはジャコビアン判定ペナルティと内部体積経路を滑らかにする二次ハーモニックペナルティを課す。
• learned inverse diffeomorphic flow と四面体埋め込みの重心補間を用いて、被験 MRI をテンプレート空間へ引くことにより canonical space への強度マッピングを実行。
• テンプレート、ワープ、潜在コードの同時最適化を全被験者に対してエンドツーエンドで訓練。

実験結果

リサーチクエスチョン

• RQ1 体積的 implicit モデルと diffeomorphic flow が、密な対応を伴う安定した人口全体の胎盤テンプレートを学習できるか？
• RQ2 内部体積正規化（Jacobian, biharmonic）が、表面のみの監視と比較して微分同相の安定性を改善し内部歪みを低減するか？
• RQ3 各被験者ごとの最適化なしで、ボクセル-wise の強度マップを高忠実度で canonical 空間へ転送できるか？
• RQ4 学習された写像はポーズ変化（母体の異なる姿勢等）に対して一貫性のある可逆変形を生み出すか？

主な発見

Model	Chamfer-L2 (×10^3)	EMD	NC	Precision	Recall	F1	Precision	Recall	F1	Precision	Recall	F1
DeepSDF	0.27	0.05	0.97	0.24	0.98	0.99	0.24	0.99	1.00	0.24	0.99	0.99
DIT	0.17	0.05	0.97	0.37	0.98	0.99	0.37	0.99	1.00	0.38	0.99	0.99
DIF-Net	0.12	0.04	0.98	0.43	0.99	1.00	0.43	0.99	1.00	0.43	0.99	1.00
NDF	0.22	0.05	0.97	0.28	0.99	1.00	0.28	0.99	1.00	0.28	0.99	1.00
Ours	0.12	0.04	0.98	0.43	0.99	1.00	0.43	0.99	1.00	0.43	0.99	1.00

• 提案手法は、既存のベースラインよりも微分同相指標（反転率低下、logDet-L1低下、サイクル誤差低下）が改善され、より可逆性と体積保存性の高い変形を示す。
• 内部体積正規化により、体積・面・エッジ全体の歪み（SymDir と Conformal エネルギーの低減）と内部変形の滑らかさが向上（離散ラプラシアンエネルギー低下）。
• 共有テンプレートへの密な対応が被験者間で視覚的・定量的に一貫し、テンプレート頂点での一貫した色マッピングを実現。
• 内部強度マッピングにより、反復的な被験者ごとの最適化なしに胎盤 MRI の平坦化を達成し、子葉および血管構造を保持。
• アブレーションにより bi-harmonic 正規化が折り畳み回避とラプラシアンエネルギーの改善に最も寄与しつつ表面精度を維持。