[논문 리뷰] Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration

Jun Zhang|arXiv (Cornell University)|2018. 09. 10.

Medical Image Segmentation Techniques참고 문헌 58인용 수 108

한 줄 요약

ICNet은 비지도 변형 정합 프레임워크에 역-일치 및 역 폴딩 제약을 도입하여 ground-truth 등록 없이도 뇌 MRI에서 최첨단 성능을 달성합니다.

ABSTRACT

Deformable image registration is a fundamental task in medical image analysis, aiming to establish a dense and non-linear correspondence between a pair of images. Previous deep-learning studies usually employ supervised neural networks to directly learn the spatial transformation from one image to another, requiring task-specific ground-truth registration for model training. Due to the difficulty in collecting precise ground-truth registration, implementation of these supervised methods is practically challenging. Although several unsupervised networks have been recently developed, these methods usually ignore the inherent inverse-consistent property (essential for diffeomorphic mapping) of transformations between a pair of images. Also, existing approaches usually encourage the to-be-estimated transformation to be locally smooth via a smoothness constraint only, which could not completely avoid folding in the resulting transformation. To this end, we propose an Inverse-Consistent deep Network (ICNet) for unsupervised deformable image registration. Specifically, we develop an inverse-consistent constraint to encourage that a pair of images are symmetrically deformed toward one another, until both warped images are matched. Besides using the conventional smoothness constraint, we also propose an anti-folding constraint to further avoid folding in the transformation. The proposed method does not require any supervision information, while encouraging the diffeomoprhic property of the transformation via the proposed inverse-consistent and anti-folding constraints. We evaluate our method on T1-weighted brain magnetic resonance imaging (MRI) scans for tissue segmentation and anatomical landmark detection, with results demonstrating the superior performance of our ICNet over several state-of-the-art approaches for deformable image registration. Our code will be made publicly available.

연구 동기 및 목표

• ground-truth 등록의 희소성으로 인해 비지도 변형 가능 등록의 필요성을 제시한다.
• 역일치 속성을 적용하여 양방향 변환이 역 매핑임을 보장한다.
• 학습된 변환에서 폴딩을 방지하기 위한 역폴딩 제약을 도입한다.
• ICNet를 사용하여 뇌 MRI에서 조직 분할 및 해부학적 랜드마크 탐지의 향상을 보여준다.

제안 방법

• 공유 가중치를 가진 듀얼 브랜치 FCN(U-Net)을 사용하여 이미지 쌍 간의 흐름 F_AB와 F_BA를 학습한다.
• F_AB가 추정된 역과 가까워지도록 하고 F_BA의 역과도 가까워지도록 역-일치 손실(L_inv)을 도입한다.
• 폴딩을 암시하는 기울기 부호를 조건으로 하여 접힘을 벌점하는 역폴딩 손실(L_ant)을 도입한다.
• 국소적 규칙성을 촉진하기 위한 표준 스무니스 손실(L_smo)을 적용한다.
• 정렬된 쌍 간 MSD를 기반으로 대칭적 유사성 손실(L_sim)을 최적화하고 규제항(α,L_smo; β,L_inv; γ,L_ant)과 결합한다.
• 워핑에 미분가능한 공간 변환기(STN)와 격자 기반 역방향 흐름 추정(G)를 사용하여 구현한다.
• PyTorch에서 Adam(lr = 5e-4)을 사용하여 엔드투엔드로 학습하고 ADNI 뇌 MRI 데이터를 사용해 검증한다.

실험 결과

연구 질문

• RQ1 비지도 딥 네트워크가 양방향 변형 필드 간의 진정한 역일치를 강제할 수 있는가?
• RQ2 역폴딩 제약을 추가하면 폴딩을 감소시키고 단순한 스무스니스보다 등록 정확도를 향상시키는가?
• RQ3 비학습 및 다른 비지도 방법과 비교했을 때 ICNet이 다운스트림 작업(조직 분할 및 해부학적 랜드마크 탐지)에서 어떤 성능을 보이는가?

주요 결과

• ICNet은 Demons, SyN, 및 기본 DL 방법에 비해 뇌 조직(CSF, GM, WM) 전반에서 우수한 등록 성능을 달성한다.
• CSF에 대해 ICNet은 DSC 83.58과 SEN 82.55를 달성하여 Demons(DSC 77.16; SEN 71.99)과 SyN(DSC 78.43; SEN 76.57)을 능가한다.
• CSF PPV에서 ICNet은 84.66으로 Demons(83.16), SyN(80.41), DL(82.34)보다 높다.
• CSF ASD 및 HD에서 ICNet은 ASD 0.56 및 HD 11.10으로 경쟁 방법들보다 일반적으로 낮은 편의 오차를 보이며 경쟁력이 있다.
• GM 및 WM의 경우 ICNet은 최상의 DSC, SEN 및 PPV를 보이며(Best: WM DSC 88.13, WM PPV 90.22) HD도 가장 낮은 편이다.
• 역-일치 또는 역폴딩 제약이 없는 ICNet 변형은 성능이 떨어지며 제시된 제약의 효과를 확인한다.