[논문 리뷰] A Comparative Analysis of Registration Tools: Traditional vs Deep Learning Approach on High Resolution Tissue Cleared Data

Abdullah Nazib, Clinton Fookes외 1명|arXiv (Cornell University)|2018. 10. 18.

Medical Image Segmentation Techniques인용 수 5

한 줄 요약

이 논문은 고해상도 조직 투명화 3차원 현미경 데이터에서 딥러닝 기반 VoxelMorph를 기존 최적화 기반 레지지스트레이션 도구(ANTS, AIR, Elastix, NiftyReg, IRTK)와 비교한다. VoxelMorph는 15초 미만의 레지지스트레이션 시간을 기록하며 기존 방법보다 수십 배 빠르지만, 정확도에서는 ANTS에 뒤지며 새로운 기준 이미지에 대해 실패함으로써 일반화 능력에 대한 핵심적 한계를 드러낸다.

ABSTRACT

Image registration plays an important role in comparing images. It is particularly important in analyzing medical images like CT, MRI, PET, etc. to quantify different biological samples, to monitor disease progression and to fuse different modalities to support better diagnosis. The recent emergence of tissue clearing protocols enable us to take images at cellular level resolution. Image registration tools developed for other modalities are currently unable to manage images of such extreme high resolution. The recent popularity of deep learning based methods in the computer vision community justifies a rigorous investigation of deep-learning based methods on tissue cleared images along with their traditional counterparts. In this paper, we investigate and compare the performance of a deep learning based registration method with traditional optimization based methods on samples from tissue-clearing methods. From the comparative results it is found that a deep-learning based method outperforms all traditional registration tools in terms of registration time and has achieved promising registration accuracy.

연구 동기 및 목표

• 고해상도 조직 투명화 현미경 데이터에서 딥러닝 기반 영상 레지지스트레이션(VoxelMorph)과 기존 최적화 기반 방법의 성능을 평가하고 비교하기.
• 크고 3차원적인 조직 투명화 데이터셋을 레지스트레이션하는 데 수시간이 소요되는 기존 레지지스트레이션 도구의 계산적 병목 현상 해결하기.
• 딥러닝 기반 레지지스트레이션 방법이 이 도전적인 데이터 모달리티에서 높은 효율성과 수용 가능한 정확도를 동시에 달성할 수 있는지 조사하기.
• 학습 중에 사용하지 않은 새로운 기준 이미지에 대해 VoxelMorph의 일반화 능력을 평가하기.
• 초고해상도 생물학적 영상에 적용되는 최신 레지지스트레이션 방법에서 정확도, 효율성, 내구성 간의 상호 상충 관계를 규명하기.

제안 방법

• 3D 영상 레지지스트레이션에 표준 설정을 사용한 다섯 가지 기존 최적화 기반 레지지스트레이션 도구(ANTS, AIR, Elastix, NiftyReg, IRTK)를 평가했다.
• U-Net 아키텍처를 통해 밀도 있는 변형장을 종료에서 종료로 학습하는 비지도 딥러닝 기반 VoxelMorph 방법을 적용했다.
• 6.45×6.45×10 μm³ 해상도의 3D 마우스 뇌 영상으로 구성된 CUBIC 데이터셋을 사용했으며, 테스트를 위해 10% 및 15% 해상도로 리샘플링했다.
• 정량적 지표로 정규화된 상관관계(CC)와 상호정보량(MI)을 사용해 레지지스트레이션 성능을 측정했다.
• VoxelMorph를 다른 기준 이미지(뇌 003)에서 재학습하고 동일한 테스트 세트에서 성능을 평가함으로써 아블레이션 실험을 수행했다.
• 모든 레지지스트레이션을 공정한 시간 비교를 보장하기 위해 고성능 계산 환경(HPC)에서 수행했다.

실험 결과

연구 질문

• RQ1 고해상도 조직 투명화 3차원 현미경 데이터에서 VoxelMorph의 레지지스트레이션 정확도는 기존 최적화 기반 도구(ANTS, Elastix 등)와 어떻게 비교되는가?
• RQ2 VoxelMorph의 계산 효율성은 기존 방법 대비 어떠한가? 전체 해상도 데이터셋에 대해 확장 가능한가?
• RQ3 학습 중에 사용하지 않은 새로운 기준 이미지에 대해 VoxelMorph는 잘 일반화되는가?
• RQ4 이 데이터에서 기존 레지지스트레이션 도구(ANTS, Elastix, AIR 등) 간의 정확도와 런타임은 어떻게 비교되는가?
• RQ5 이 맥락에서 딥러닝 기반 레지지스트레이션의 주요 한계는 무엇인가? 특히 일반화 및 데이터 요구 사항 측면에서.

주요 결과

• VoxelMorph는 10% 해상도에서 13초, 15% 해상도에서 16초의 레지지스트레이션 시간을 기록하여 모든 기존 도구보다 뚜렷이 빠른 속도를 확보했다.
• ANTS는 기존 도구 중 가장 정확한 것으로 나타났으며, 원래 기준 이미지로 구성된 테스트 세트에서 CC 점수 0.8226, MI 0.6778을 기록했다.
• 새로운 기준 이미지(뇌 001)에 대해 테스트한 결과, VoxelMorph의 CC 점수는 0.2684로 떨어지고 MI는 0.2225로 하락하여 정확도가 급격히 떨어지고 일반화 능력이 떨어지는 것으로 나타났다.
• ANTS, Elastix, NiftyReg와 같은 기존 도구들은 새로운 기준 이미지에 대해 높은 정확도(CC > 0.65)를 유지하며 기준 변경에 대한 강건성을 보였다.
• 기존 도구들 중에서 Elastix가 가장 효율적이었으며, 15% 해상도에서 7분 이내로 레지지스트레이션을 완료했고, ANTS는 4시간 이상 소요되었다.
• VoxelMorph는 49,340번의 학습 반복 동안 점진적인 정확도 향상을 보였으며, 느리지만 안정적인 수렴을 보였지만, ANTS의 성능을 능가하지 못했다.