[논문 리뷰] Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans

Xinzi He, Jia Guo외 10명|arXiv (Cornell University)|2021. 06. 14.

Lung Cancer Diagnosis and Treatment참고 문헌 24인용 수 9

한 줄 요약

이 논문은 다중 척도 특징 피라미드, 정규화된 국소 비용 상관관계 볼륨, 그리고 변형 벡터장의 반복적 보정을 활용하여 숨소리가 다른 흉부 CT 스캔 간 비지도 3D 유연한 폐 등록을 위한 재귀적 보정 네트워크(RRN)를 제안한다. RRN은 DirLab COPDGene 데이터셋에서 상태최고 수준의 평균 목표 정렬 오차(TRE) 0.83 mm를 달성하였으며, 이는 이전 최고의 랜드마크 결과보다 13% 향상된 성능이며, VoxelMorph 대비 89%의 오차 감소를 기록한다.

ABSTRACT

Unsupervised learning-based medical image registration approaches have witnessed rapid development in recent years. We propose to revisit a commonly ignored while simple and well-established principle: recursive refinement of deformation vector fields across scales. We introduce a recursive refinement network (RRN) for unsupervised medical image registration, to extract multi-scale features, construct normalized local cost correlation volume and recursively refine volumetric deformation vector fields. RRN achieves state of the art performance for 3D registration of expiratory-inspiratory pairs of CT lung scans. On DirLab COPDGene dataset, RRN returns an average Target Registration Error (TRE) of 0.83 mm, which corresponds to a 13% error reduction from the best result presented in the leaderboard. In addition to comparison with conventional methods, RRN leads to 89% error reduction compared to deep-learning-based peer approaches.

연구 동기 및 목표

• 다른 호흡 단계에서 촬영한 폐 CT 영상에 대한 비지도 3D 유연한 영상 정렬의 정확도를 향상시키는 것.
• 기존 딥러닝 기반 정렬 방법의 한계인 높은 메모리 사용, 큰 변형에 대한 낮은 성능, 최적의 특징 표현 부족 문제를 해결하는 것.
• 다중 척도 특징을 통해 재귀적 보정 원리를 재검토하고 활용하여 정확도를 향상시키면서도 계산 효율성을 유지하는 것.
• 폐 분할 마스크가 필요 없이도 어려운 폐 CT 정렬 작업에서 기존 방법들을 능가하는 일반화 가능한 프레임워크를 개발하는 것.

제안 방법

• 이 방법은 공유 가중치를 사용하여 일관된 특징 공간 정렬을 보장하기 위해, 이동 및 고정된 CT 영상에서 다중 척도 특징을 추출하는 시아미즈 CNN 기반의 특징 피라미드 추출기를 사용한다.
• 특징 피라미드에서 정규화된 국소 비용 상관관계 볼륨을 구성하여, 왜곡된 특징보다 더 구분력 있고 메모리 효율적인 변형 탐색 공간 표현을 제공한다.
• 변형 벡터장(DVF)을 피라미드 수준에서 계층적으로 보정하는 재귀적 보정 메커니즘이 구현되며, 거친 척도에서부터 세밀한 척도로 진행되어 큰 폐 변형을 효과적으로 처리한다.
• 각 수준의 DVF 추정기는 경량이며 공유 가중치 네트워크로, 비용 상관관계 볼륨과 다중 척도 특징을 사용하여 DVF를 예측하거나 보정한다.
• 지식 기반 변형장이나 폐 마스크가 필요 없이, 부피 유사도 손실을 사용하여 비지도 방식으로 네트워크를 훈련시킨다.
• 아키텍처는 메모리 효율적으로 설계되어 256³ 볼륨 입력 시 12GB GPU 메모리만을 요구하며, VoxelMorph의 22GB 대비 크게 감소하였다.

실험 결과

연구 질문

• RQ1 다중 척도 특징을 기반으로 한 재귀적 보정이 단일 단계 또는 계층적 접근 방식에 비해 비지도 3D 폐 CT 정렬의 정확도를 향상시키는가?
• RQ2 정규화된 국소 비용 상관관계 볼륨을 사용할 경우, 직접적인 특징 연결 또는 왜곡된 특징에 비해 변형장 표현이 더 우수한가?
• RQ3 경량이며 공유 가중치 네트워크 설계가 기존 딥러닝 기반 정렬 모델 대비 메모리 소비와 파rameter 수를 줄이며 뛰어난 성능을 달성할 수 있는가?
• RQ4 큰 호흡 변형을 포함한 실제 세계의 어려운 COPDGene 데이터셋에서 제안된 방법은 최첨단 최적화 기반 및 학습 기반 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• RRN은 DirLab COPDGene 데이터셋에서 상태최고 수준의 평균 목표 정렬 오차(TRE) 0.83 mm를 달성하였으며, 이는 이전 랜드마크 최고 성능보다 13% 향상된 결과이다.
• VoxelMorph와 같은 주요 베이스라인 대비 TRE를 89% 감소시켰다.
• 10개의 테스트 케이스에서 표준편차가 0.15로 낮아 일관된 성능을 보이며 뛰어난 일반화 능력을 입증하였다.
• 제거 실험 결과, 비용 상관관계 볼륨과 재귀적 보정 구성 요소가 핵심임을 확인하였으며, 이들을 제거할 경우 TRE가 0.83 mm에서 1.10 mm로 증가하였다.
• 256³ 입력에 대해 12GB GPU 메모리만을 사용하여, VoxelMorph의 22GB 대비 45% 감소한 높은 메모리 효율성을 보였다.
• 몇몇 최첨단 방법들과 달리 폐 분할 마스크가 필요 없음에도 불구하고 가장 높은 정확도를 달성하여 강건성과 일반화 능력을 입증하였다.