[논문 리뷰] Higher-Order Momentum Distributions and Locally Affine LDDMM Registration

Stefan Sommer, Mads Nielsen외 2명|arXiv (Cornell University)|2011. 12. 14.

Medical Image Segmentation Techniques참고 문헌 33인용 수 27

한 줄 요약

이 논문은 LDDMM 프레임워크 내에서 고차원 운동량 분포를 도입하여 국소 애핀 변환을 제1차 운동량으로 모델링함으로써 비정적 변형의 희박하고 해석 가능한 파arametrization을 가능하게 한다. 이 방법은 최소 5개의 제어점으로도 정확한 이미지 정렬을 달성하며, 알츠하이머병에서 뇌실 확장과 같은 임상적으로 유의미한 부피 변화와 직접 연결된다.

ABSTRACT

To achieve sparse parametrizations that allows intuitive analysis, we aim to represent deformation with a basis containing interpretable elements, and we wish to use elements that have the description capacity to represent the deformation compactly. To accomplish this, we introduce in this paper higher-order momentum distributions in the LDDMM registration framework. While the zeroth order moments previously used in LDDMM only describe local displacement, the first-order momenta that are proposed here represent a basis that allows local description of affine transformations and subsequent compact description of non-translational movement in a globally non-rigid deformation. The resulting representation contains directly interpretable information from both mathematical and modeling perspectives. We develop the mathematical construction of the registration framework with higher-order momenta, we show the implications for sparse image registration and deformation description, and we provide examples of how the parametrization enables registration with a very low number of parameters. The capacity and interpretability of the parametrization using higher-order momenta lead to natural modeling of articulated movement, and the method promises to be useful for quantifying ventricle expansion and progressing atrophy during Alzheimer's disease.

연구 동기 및 목표

• 의료 영상 정렬에서 비정적 변형의 희박하고 해석 가능한 파arametrization을 개발하기 위해.
• LDDMM 프레임워크를 제0차 운동량(국소 이동)을 초월하여 국소 애핀 변환을 모델링하는 제1차 운동량을 포함하도록 확장하기 위해.
• 특히 뇌실 확장과 같은 비이동 운동과 같은 복잡한 변형을 최소한의 제어점으로 압축된 표현 방식으로 표현하기 위해.
• 변형 매개변수를 조직 위축 및 부피 변화와 같이 측정 가능한 생물학적 변화와 직접 연결하기 위해.
• 종단적 뇌영상 연구에서 변형 모델의 해석 가능성과 임상적 관련성을 향상시키기 위해.

제안 방법

• LDDMM 프레임워크에 고차원 운동량 분포를 도입하여 제1차 운동량을 사용해 국소 애핀 변환을 표현한다.
• 부분 도함수 재생 성질을 갖는 재생 커널 힐버트 공간(RKHS)을 사용해 운동량 분포를 모델링한다.
• 변분법을 이용해 EPDiff 진화 방정식을 유도함으로써 기울기 정보의 정방향 및 역방향 전달이 가능해진다.
• 정렬을 안내하기 위해 제1차 정보(예: 자코비안 행렬식 및 발산)를 포함한 유사도 측정법을 사용한다.
• 변형 원자(제어점)를 사용한 저차원 파arametrization을 적용해 복잡한 변형을 압축적으로 표현한다.
• 정방향 및 역방향 변분 방정식 기반 매칭 알고리즘을 사용해 변형 매개변수를 최적화한다.

실험 결과

연구 질문

• RQ1 LDDMM에서 고차원 운동량을 사용하면 제0차 운동량 대비 더 압축적이고 해석 가능한 비정적 변형 표현이 가능한가?
• RQ2 제1차 운동량은 국소 애핀 변환을 얼마나 잘 모델링할 수 있으며, 뇌실 확장과 같은 비이동 운동을 얼마나 잘 포착할 수 있는가?
• RQ3 변형 매개변수는 자코비안 행렬식 및 발산과 같은 임상적으로 의미 있는 지표를 얼마나 직접적으로 코딩할 수 있는가?
• RQ4 고차원 운동량을 사용하면 매우 적은 제어점(예: 5개)으로도 정확한 이미지 정렬을 달성할 수 있는가?
• RQ5 유사도 측정법에 제1차 정보를 포함시키면 정렬 정확도와 해석 가능성은 어떻게 향상되는가?

주요 결과

• 뇌실 영역에 위치한 5개의 변형 원자만으로도 정확한 이미지 정렬을 달성하여 최소한의 매개변수로 뇌실 확장을 탐지할 수 있었다.
• 변형 원자에서의 자코비안 행렬식의 로그와 제1차 운동량의 발산이 직접 상관관계를 보여, 매개변수가 부피 변화를 코딩하고 있음을 확인했다.
• 치매 환자(1–4)의 기준-후속 정렬 결과에서 1.5~3년 간 로그-자코비안 값이 증가함을 확인하여 뇌실 확장의 진행성을 입증했다.
• 제1차 운동량의 발산은 정렬 매개변수에서 직접 추출 가능하므로 국소적 확장 또는 수축을 직접적으로 해석할 수 있다.
• 매개변수 공간의 저차원성 덕분에 정규화를 0으로 설정해도 비-디피오모르픽 결과가 발생하지 않아도 된다.
• 이 방법은 뇌 위축과 같은 관절 또는 비균일한 변형을 직접적이고 해석 가능한 방식으로 모델링할 수 있으며, 강력한 임상적 관련성을 지닌다.