[논문 리뷰] Learning Conditional Deformable Templates with Convolutional Networks

Adrian V. Dalca, Marianne Rakic외 2명|arXiv (Cornell University)|2019. 08. 07.

Advanced Numerical Analysis Techniques참고 문헌 65인용 수 59

한 줄 요약

본 논문은 속성에 조건화될 수 있는 변형 가능한 템플릿을 학습하기 위한 확률적 CNN 기반 프레임워크를 제시하며, 필요에 따라 템플릿을 생성하고 빠른 이미지 정합을 가능하게 하며, MNIST/QuickDraw 및 대규모 뇌 MRI 데이터에서 시연된다.

ABSTRACT

We develop a learning framework for building deformable templates, which play a fundamental role in many image analysis and computational anatomy tasks. Conventional methods for template creation and image alignment to the template have undergone decades of rich technical development. In these frameworks, templates are constructed using an iterative process of template estimation and alignment, which is often computationally very expensive. Due in part to this shortcoming, most methods compute a single template for the entire population of images, or a few templates for specific sub-groups of the data. In this work, we present a probabilistic model and efficient learning strategy that yields either universal or conditional templates, jointly with a neural network that provides efficient alignment of the images to these templates. We demonstrate the usefulness of this method on a variety of domains, with a special focus on neuroimaging. This is particularly useful for clinical applications where a pre-existing template does not exist, or creating a new one with traditional methods can be prohibitively expensive. Our code and atlases are available online as part of the VoxelMorph library at http://voxelmorph.csail.mit.edu.

연구 동기 및 목표

• 해부학적 및 기하학적 변이성을 분석하기 위한 변형 가능한 템플릿의 필요성 제기.
• 손상 불가한 변형(diffeomorphic) 변형과 학습 가능한 조건부 템플릿을 이용한 확률적 모델 제안.
• 템플릿과 변형 필드를 공동으로 학습하는 엔드 투 엔드 신경망 개발.
• 나이, 성별 등 속성의 함수로서 필요에 따라 조건부 템플릿을 사용할 수 있게 함.
• 벤치마크 및 신경영상 데이터세트에서 효율성과 유용성 시연.

제안 방법

• 이미지를 조건부 템플릿 t = f_theta_t(a)의 diffeomorphic 변형으로 형식화한다.
• 변형 v_i를 정지 속도장으로 모델링하고 scaling and squaring을 통해 적분한다.
• 매끄럽고 편향되지 않은 템플릿 및 토폴로지 보존 변형을 장려하는 p(V) 사전분포를 지정한다.
• 가공 x_i ≈ t ∘ φ_v_i인 왜곡을 사용하여 가우시안 또는 강건한 대안을 이용한 p(x_i|v_i,a_i) 데이터 우도 정의.
• 두 네트워크 아키텍처를 사용: g_t,theta_t(a_i)가 템플릿을 출력; g_v,theta_v(t, x_i)가 속도장을 출력; 최대우도(음의 로그우도) 손실로 엔드 투 엔드 학습.
• 템플릿 및 변형 네트워크를 공동으로 최적화하기 위해 확률적 경사하강법으로 학습; 테스트 시에는 빠르게 필요에 따른 템플릿과 변형을 생성한다.

실험 결과

연구 질문

• RQ1 하나의 네트워크가 전체 데이터세트에 걸쳐 조건부 변형 가능한 템플릿을 학습할 수 있는가?
• RQ2 속성에 따른 템플릿 조건화가 편향 없는 중앙 템플릿과 더 작은 변형을 만들어내는가?
• RQ3 템플릿 중심성 및 변형의 규칙성 측면에서 제안된 방법이 exemplar 또는 decoder 기반 baselines와 어떻게 비교되는가?
• RQ4 본 적 없는 속성 구성에 대해 해부학적으로 의미 있는 템플릿을 생성할 수 있는가?
• RQ5 이 프레임워크가 2D 벤치마크와 3D 신경영상 데이터를 효율적으로 처리할 수 있는가?

주요 결과

• 조건부 템플릿은 MNIST 변형에서 기준선 baselines보다 더 중앙에 위치하고 더 작은 변형을 필요로 한다.
• 본 방법은 매끄러운 변형 필드를 제공하며 기준선 및 exemplars와 비교해 유사하거나 더 나은 MSE를 보인다.
• 3D 뇌 MRI에서 무조건 템플릿 및 연령/성별 조건부 템플릿이 기본 해부학 표본보다 높은 Dice 점수를 달성한다 (0.800±0.110 vs 0.795±0.116 vs 0.731±0.153).
• 조건부 템플릿은 필요에 따른 템플릿의 빠른 합성을 가능하게 한다(학습 약 1일; 테스트 시 조건화는 1초 이내).
• 프레임워크는 연령에 따른 해부학적 변이를 포착하며, 예를 들어 뇌실은 연령 증가와 함께 커지고 해마는 나이와 함께 수축하는 체적 추세로 시연된다.
• 잠재 속성 분석은 속성이 부분적으로 누락되거나 알려지지 않은 경우에도 모델이 의미 있는 템플릿 표현을 복구할 수 있음을 보여준다.