[논문 리뷰] CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability

Rodrigo Santa Cruz, Léo Lebrat외 5명|arXiv (Cornell University)|2022. 06. 14.

Medical Image Segmentation Techniques인용 수 4

한 줄 요약

CorticalFlow++는 MRI 기반皮質 표면 재구성에 최신 기술인 CorticalFlow 모델을 향상시키기 위해 세 가지 핵심 개선 사항을 제안한다: 고차수 ODE 해법기(RK4), 새로운 매끄러운 템플릿 생성 방법, 그리고 흰자각에서 피알 표면으로의 형태 변화 설정. 이러한 개선 사항은 Chamfer 거리 기준 기하학적 정확도를 19.11% 향상시키고, 자기 교차 면적을 56.77% 감소시키지만, 1초 이내의 추론 시간과 낮은 GPU 메모리 사용량을 유지한다.

ABSTRACT

The problem of Cortical Surface Reconstruction from magnetic resonance imaging has been traditionally addressed using lengthy pipelines of image processing techniques like FreeSurfer, CAT, or CIVET. These frameworks require very long runtimes deemed unfeasible for real-time applications and unpractical for large-scale studies. Recently, supervised deep learning approaches have been introduced to speed up this task cutting down the reconstruction time from hours to seconds. Using the state-of-the-art CorticalFlow model as a blueprint, this paper proposes three modifications to improve its accuracy and interoperability with existing surface analysis tools, while not sacrificing its fast inference time and low GPU memory consumption. First, we employ a more accurate ODE solver to reduce the diffeomorphic mapping approximation error. Second, we devise a routine to produce smoother template meshes avoiding mesh artifacts caused by sharp edges in CorticalFlow's convex-hull based template. Last, we recast pial surface prediction as the deformation of the predicted white surface leading to a one-to-one mapping between white and pial surface vertices. This mapping is essential to many existing surface analysis tools for cortical morphometry. We name the resulting method CorticalFlow$^{++}$. Using large-scale datasets, we demonstrate the proposed changes provide more geometric accuracy and surface regularity while keeping the reconstruction time and GPU memory requirements almost unchanged.

연구 동기 및 목표

• ODE 해법 근사 오차와 템플릿 아티팩트로 인한 기하학적 정확도 및 메쉬 규칙성의 한계를 해결한다.
• 기존 표면 분석 도구와의 상호운용성을 향상시키기 위해 흰자각과 피알 표면 간 일대일 정점 대응을 수립한다.
• 재구성 품질을 향상시키면서도 기존 모델의 빠른 추론 속도와 낮은 GPU 메모리 소비를 유지한다.
• 대규모 뇌영상 연구에 적합한 안정적이고 종단 간(end-to-end) 딥러닝 프레임워크를 개발한다.
• 기존 파이프라인 구성 요소나 외부 백색질 표면 생성에 의존하지 않고 정확하고 아티팩트 없는 표면 재구성을 가능하게 한다.

제안 방법

• 표면 변형 중 덮음 매핑의 정확도를 향상시키기 위해 CorticalFlow의 옐러(ODE) 해법기를 4차 수준 런게-쿠타(RK4) 방법으로 교체한다.
• 학습용 피질 표면 주변에 매끄럽고 단단히 감싸는 메쉬를 생성하는 새로운 템플릿 생성 루틴을 도입하여, 날카운 모서리와 아티팩트를 유발하기 쉬운 볼록 Hull 기반 템플릿을 대체한다.
• 피알 표면 예측 작업을 예측된 흰자각 표면의 변형으로 재정의함으로써 흰자각과 피알 표면 간 일대일 정점 대응을 보장한다.
• 향상된 템플릿과 정점 대응을 활용해 덮음 변형 네트워크의 안정성과 정확도를 향상시킨다.
• 계산 효율성을 확보하여 원본 모델의 추론 속도와 GPU 메모리 사용량을 그대로 유지한다.
• 기존 파이프라인에서 유도된 가짜 진짜 표면(pseudo-ground-truth surfaces)을 사용해 대규모 MRI 데이터셋에서 모델을 종단 간(end-to-end)으로 훈련 및 평가한다.

실험 결과

연구 질문

• RQ1 옐러 ODE 해법기를 고차수 방법(RK4)으로 교체하면 피질 표면 재구성의 기하학적 정확도가 유의미하게 향상되는가?
• RQ2 매끄럽고 볼록 Hull이 아닌 템플릿을 사용하면 딥러닝 기반 피질 표면 재구성에서 메쉬 아티팩트 감소와 표면 규칙성 향상에 기여하는가?
• RQ3 흰자각에서 피알 표면으로의 형태 변화 전략이 일대일 정점 대응을 수립하여 기존 표면 분석 도구와의 호환성을 향상시키는가?
• RQ4 이러한 수정 사항이 추론 시간이나 GPU 메모리 사용량을 증가시키지 않으면서 재구성 정확도와 메쉬 품질을 어느 정도 향상시키는가?
• RQ5 제안된 방법은 PialNN 및 FreeSurfer와 같은 최신 대안 대비 분포 외(out-of-distribution) 데이터셋에서 어떻게 성능을 발휘하는가?

주요 결과

• CorticalFlow++는 원본 CorticalFlow 대비 평균 Chamfer 거리를 19.11% 감소시켜 기하학적 정확도 향상을 명확히 보여준다.
• 자기 교차 면적 비율은 평균 56.77% 감소하여 메쉬 규칙성과 품질 향상을 입증한다.
• RK4 ODE 해법기 도입만으로도 Chamfer 거리는 12.2% 감소하고, 자기 교차 면적은 35.90% 감소하여 정확도에 미치는 영향을 확인한다.
• 새로운 매끄러운 템플릿 생성 방법은 시각적 결과를 통해 고곡률 영역에서 메쉬 아티팩트를 효과적으로 억제함을 확인했다.
• 흰자각에서 피알 표면으로의 형태 변화 설정은 기준 모델 대비 자기 교차 면적을 79.19% 감소시키고 Chamfer 거리는 21.02% 향상시켰다.
• OASIS3 분포 외 데이터셋에서 CorticalFlow++는 PialNN의 두 변종 모두를 모든 지표에서 앞서며, 유사한 추론 시간과 GPU 메모리 사용량을 유지했다.