[논문 리뷰] An Auto-Context Deformable Registration Network for Infant Brain MRI

Dongming Wei, Sahar Ahmad외 8명|arXiv (Cornell University)|2020. 05. 19.

Medical Image Segmentation Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 유아 뇌 MRI를 위한 자동-컨텍스트 탄성 등록 네트워크(AC-Reg-Net)를 제안한다. 이 네트워크는 단일 딥러닝 네트워크를 사용하여 조직 분할 맵과 공간 변환기(spatial transformers)를 활용해 반복적으로 변형 필드를 정밀하게 보정함으로써 높은 정확도, 부드러운 변형 및 위상 보존 성능을 달성한다. AC-Reg-Net은 6개월에서 12개월으로의 등록에서 회색질에 대해 평균 DSC 85.17%, 백질에 대해 83.19%를 기록하며 최신 기술을 초월하며, 변형 필드 정규화 페널티(RFP = 0.0122)가 매우 낮게 유지된다.

ABSTRACT

Deformable image registration is fundamental to longitudinal and population analysis. Geometric alignment of the infant brain MR images is challenging, owing to rapid changes in image appearance in association with brain development. In this paper, we propose an infant-dedicated deep registration network that uses the auto-context strategy to gradually refine the deformation fields to obtain highly accurate correspondences. Instead of training multiple registration networks, our method estimates the deformation fields by invoking a single network multiple times for iterative deformation refinement. The final deformation field is obtained by the incremental composition of the deformation fields. Experimental results in comparison with state-of-the-art registration methods indicate that our method achieves higher accuracy while at the same time preserves the smoothness of the deformation fields. Our implementation is available online.

연구 동기 및 목표

• 뇌 구조와 외형의 급격한 발달 변화로 인해 유아 뇌 MRI에서 정확한 탄성 등록을 달성하는 데 도전하는 문제를 해결한다.
• 다단계 네트워크에서의 고급 하이퍼파라미터 조정에 민감하거나 국소 최적해에 갇히기 쉬운 기존 딥러닝 등록 방법의 한계를 극복한다.
• 여러 개의 네트워크를 훈련하지 않고도 이전 추정치의 컨텍스트를 활용해 반복적으로 변형 필드를 보정함으로써 정확도 향상과 부드러운 변형 필드를 달성한다.
• 자기행렬 기반 정규화자를 통해 변형 필드의 위상 일관성을 확보하여 접힘이 발생하지 않도록 하며 조직 구조를 보존한다.
• 다양한 연령대(2주에서 12개월)에 걸쳐 종단적 및 인구 기반 뇌 영상 연구에서 계산 효율성과 강인성을 확보하는 방법을 개발한다.

제안 방법

• AC-Reg-Net은 반복적으로 변형 필드를 보정하기 위해 단일 사전 훈련된 등록 네트워크(Reg-Net)를 다중 반복에 걸쳐 재사용하는 자동-컨텍스트 프레임워크를 사용한다.
• 각 반복 단계에서 이동 이미지의 분할 맵이 현재 변형 필드를 사용해 왜곡되고, 그 결과가 동일한 Reg-Net에 다시 피드백되어 새로운 잔여 변형 필드를 추정한다.
• 최종 변형 필드는 모든 잔여 변형 필드의 누적 조합을 통해 얻어지며, 식은 $\phi = \phi_1 \circ \phi_2 \circ \cdots \circ \phi_n$ 로 표현된다.
• Reg-Net은 짝지어진 조직 분할 맵(GM/WM)을 입력으로 받아 속도 필드를 출력하는 3D U-Net 아키텍처를 기반으로 하며, 이는 통합되어 변형 필드를 생성한다.
• 공간 변환기 레이어를 사용하여 추정된 변형 필드를 활용해 이동 분할 맵을 재샘플링함으로써 엔드 투 엔드로 가능한 미분 가능한 왜곡을 구현한다.
• 위상 보존 정규화자를 통해 부드럽고 역행 가능하며 물리적으로 타당한 변형 필드를 확보한다.

실험 결과

연구 질문

• RQ1 다중 캐스케이드 네트워크를 훈련하지 않고도 반복적인 자동-컨텍스트 전략이 유아 뇌 MRI의 정렬 정확도를 향상시킬 수 있는가?
• RQ2 반복 보정 단계의 수가 정렬 정확도와 변형의 부드러움 사이의 상호 보완적 관계에 어떻게 영향을 미치는가?
• RQ3 이전 변형 추정치의 컨텍스트를 활용해 반복적으로 재사용되는 단일 딥러닝 네트워크가 기존의 딥러닝 및 최적화 기반 정렬 방법을 능가할 수 있는가?
• RQ4 크고 급격한 해부학적 변화가 일어나는 초기 뇌 발달 단계에서 조직 분할 맵을 입력으로 사용할 경우 정렬 성능 향상에 얼마나 기여하는가?
• RQ5 다양한 연령대에서 높은 딱도 유사도 계수(DSC)를 달성하면서도 변형 필드 정규화 페널티(RFP)가 낮게 유지되는가?

주요 결과

• AC-Reg-Net은 6개월 뇌 MRI 스캔을 12개월 고정 스캔에 정렬할 때, 회색질에 대해 평균 DSC 85.17%, 백질에 대해 83.19%를 기록하여 VoxelMorph(80.01% 및 76.34%) 및 기타 기준 방법을 크게 능가했다.
• 낮은 정규화 필드 페널티(RFP = 0.0122)를 기록하여 변형 필드의 높은 부드러움과 위상 보존 성능을 입증하였으며, VoxelMorph(0.6915) 및 기타 방법보다 뛰어난 성능을 보였다.
• 첫 번째 반복에서 두 번째 반복으로의 정확도 향상이 급격히 발생했고, 다섯 번째 반복 이후에는 성능이 정점에 도달하여 정점 성능은 n=5 반복에서 관찰되었다.
• 자동-컨텍스트 프레임워크는 변형 필드를 왜곡하기 전에 누적 조합함으로써 반복적인 분할 맵 재샘플링으로 인한 오차 누적 문제를 줄여 안정성과 정확도를 향상시켰다.
• AC-Reg-Net은 2주에서 12개월, 3개월에서 12개월, 6개월에서 12개월 등 모든 테스트 시간대에서 높은 정확도와 부드러움을 유지하여 발달 변화에 대한 강인성을 입증했다.
• DSC 및 RFP 지표에서 SyN, 디퍼모르픽 Demons, NiftyReg, VoxelMorph와 비교해 뛰어난 성능을 기록하여, 유아 뇌 MRI에서 큰 변형을 다루는 데 효과적임을 확인했다.