[논문 리뷰] RANCOR: Non-Linear Image Registration with Total Variation Regularization

Martin Rajchl, John S. H. Baxter외 5명|arXiv (Cornell University)|2014. 04. 09.

Medical Image Segmentation Techniques참고 문헌 21인용 수 12

한 줄 요약

RANCOR는 GPGPU 가속을 적용한 비선형 영상 정렬 알고리즘으로, 반복적 볼록화와 총 변동성 정규화를 사용하여 임의의 점별 유사도 지표를 최적화하며, 단순한 SAD 지표를 사용함에도 불구하고 IBSR 데이터베이스에서 우수한 정렬 정확도(p<0.01)를 달성하여 ANTs, IRTK, ART, SPM_D를 포함한 네 가지 최첨단 방법을 능가한다.

ABSTRACT

Optimization techniques have been widely used in deformable registration, allowing for the incorporation of similarity metrics with regularization mechanisms. These regularization mechanisms are designed to mitigate the effects of trivial solutions to ill-posed registration problems and to otherwise ensure the resulting deformation fields are well-behaved. This paper introduces a novel deformable registration algorithm, RANCOR, which uses iterative convexification to address deformable registration problems under total-variation regularization. Initial comparative results against four state-of-the-art registration algorithms are presented using the Internet Brain Segmentation Repository (IBSR) database.

연구 동기 및 목표

• 임의의 점별 유사도 지표와 총 변동성 정규화를 결합한 새로운 비선형 정렬 알고리즘을 개발하여 변형 필드의 스무쓰함을 향상시키는 것.
• 비선형 영상 정렬의 불안정한 성질을 해결하기 위해 局부 최적해를 피할 수 있는 볼록화 완화 프레임워크를 도입하는 것.
• 비선형 의료 영상 정렬을 위한 고성능 계산을 위해 GPGPU 가속을 구현하는 것.
• 미래의 고급 유사도 지표 및 디피오모르픽 제약 조건 통합을 위한 오픈소스이자 확장 가능한 프레임워크를 제공하는 것.

제안 방법

• 비볼록 변분 정렬 문제를 반복적 볼록화를 통해 해결하기 위한 다중 척도 이중 최적화 프레임워크를 활용한다.
• 영상 이질도 지표로 절대차의 합(SAD)을 사용하고, 변형 필드의 총 변동성(TV)을 정규화 항으로 사용한다.
• 각 척도에서 볼록 하위문제를 해결하기 위해 비연속적인 가우스-뉴턴 방법을 적용하여 안정된 변형 필드에 수렴하도록 보장한다.
• 이중 변수 w와 q를 포함한 원시-이중 공식화를 통해 TV 정규화를 재구성함으로써 L1 유형 제약 조건 하에서 효율적인 최적화를 가능하게 한다.
• 바이트 수준의 병렬성을 활용하기 위해 GPGPU에 알고리즘을 구현하여 계산 속도를 크게 향상시킨다.
• 큰 변형을 전역적으로 포착한 후 국소 세부 사항을 정밀하게 조정하기 위해 굵기에서 미세한 단계로의 전략을 적용한다.

실험 결과

연구 질문

• RQ1 총 변동성 정규화와 반복적 볼록화를 적용한 비선형 정렬 방법이 최첨단 방법보다 뛰어난 정렬 정확도를 달성할 수 있는가?
• RQ2 RANCOR에서 단순한 SAD 지표를 사용하더라도 상호정보량이나 정규화된 상관관계와 같은 고급 지표를 사용하는 방법과 비교해도 경쟁력 있는 성능을 내는가?
• RQ3 GPGPU 가속은 비연속 정규화를 갖는 비선형 영상 정렬의 계산 효율성을 어느 정도 향상시키는가?
• RQ4 제안된 볼록화 완화 프레임워크는 비볼록 정렬 문제에서 局부 최소값을 효과적으로 피할 수 있는가?
• RQ5 ANTs, IRTK, ART, SPM_D와 비교해 RANCOR가 IBSR 데이터베이스에서 타겟 오버랩(TO) 및 기타 정량적 지표 측면에서 어떻게 성능을 내는가?

주요 결과

• RANCOR는 단순한 SAD 지표를 사용함에도 불구하고 네 가지 최첨단 비선형 정렬 방법보다 타겟 오버랩(TO) 측면에서 유의미하게 뛰어난 성능을 보였으며, p값 < 0.01을 기록했다.
• 고급 유사도 지표나 레벤버그-마르카르트 최적화 없이도 높은 정렬 정확도를 달성하여, 총 변동성 정규화와 볼록화 전략의 강건성을 입증했다.
• GPGPU 구현 덕분에 높은 계산 효율성을 확보하여 대규모 의료 영상 분석에 적합한 성능을 보였다.
• 이중 변수 w와 q를 포함한 원시-이중 공식화가 비연속 TV 정규화를 효과적으로 처리하여 안정적이고 잘 조정된 변형 필드를 도출했다.
• 동일한 초기화, 튜닝 및 평가 스크립트를 사용하여 공개된 IBSR 데이터베이스에서 알고리즘의 성능을 검증하여 공정하고 재현 가능한 비교를 확보했다.
• 향후 디피오모르픽 제약 조건 강화 및 MIND, 정규화된 상호정보량과 같은 고급 유사도 지표 통합을 위한 확장 계획이 수립되어 있다.