[논문 리뷰] Robust, fast and accurate: a 3-step method for automatic histological image registration

Johannes Lotz, Nick Weiss외 1명|arXiv (Cornell University)|2019. 03. 28.

AI in cancer detection참고 문헌 12인용 수 12

한 줄 요약

이 논문은 다중염색 순차 섹션에 대해 강건성, 속도, 정확성을 보장하는 3단계 자동 조직학적 이미지 정렬 파이프라인을 제시한다. 이는 사전 정렬, 애핀 매개변수 정렬, 비선형 B-spline 변형을 거쳐 군집에서부터 세분 해상도 수준까지 정규화된 기울기 필드(NGF) 거리 최소화를 사용하며, 평균 4초 내에 중앙상대목표정렬오차(median relative target registration error) 0.19%를 달성한다.

ABSTRACT

We present a 3-step registration pipeline for differently stained histological serial sections that consists of 1) a robust pre-alignment, 2) a parametric registration computed on coarse resolution images, and 3) an accurate nonlinear registration. In all three steps the NGF distance measure is minimized with respect to an increasingly flexible transformation. We apply the method in the ANHIR image registration challenge and evaluate its performance on the training data. The presented method is robust (error reduction in 99.6% of the cases), fast (runtime 4 seconds) and accurate (median relative target registration error 0.19%).

연구 동기 및 목표

• 디지털 병리학에서 서로 다른 염색 방식을 가진 조직학적 순차 섹션에 대해 정밀하고 자동으로 정렬하는 문제를 해결하기 위해.
• 다중 모odal 이미지 정렬에서 높은 정확도를 유지하면서 계산 복잡도를 줄이기 위해.
• 수동 조작 없이 다양한 염색 변형과 초기 이완정렬에도 강건한 정렬을 가능하게 하기 위해.
• 전체 슬라이드 이미징의 임상 및 연구 워크플로우에 적합한 실시간 성능를 달성하기 위해.
• ANHIR 챌린지에서 계층적이고 다중 해상도 접근법을 사용하여 랜드마크 기반 정렬 정확도를 향상시키기 위해.

제안 방법

• 3단계 파이프라인을 사용: (1) 강성 사전 정렬을 위한 자동 회전 정렬, (2) 군집 이미지에서의 매개변수 애핀 정렬, (3) 고해상도 이미지에서의 비선형 비강성 정렬.
• 염색 차이에 강건하고 가장자리 기반 정렬에 적합한 핵심 유사도 측정 지표로 정규화된 기울기 필드(NGF) 거리를 사용한다.
• 수렴 속도를 향상시키고 국소 최소값을 피하기 위해 감소하는 이미지 해상도를 사용하는 다중 수준 최적화를 적용한다.
• 매개변수 정렬에는 가우스-뉴턴 최적화를, 비선형 정렬에는 B-spline 제어점과 함께 L-BFGS 준뉴턴 최적화를 사용한다.
• 각 단계별로 다른 NGF 파라미터(ε)와 해상도 수준을 적용: 사전 정렬 및 매개변수 단계에는 ε=0.1, 비선형 정렬 단계에는 ε=1.0.
• 정규화 파rameter α=0.1을 사용하여 1차 B-spline을 사용한 257×257 제어 격자에서 변형 필드를 이산화하여 접힘이 발생하지 않도록 방지한다.

실험 결과

연구 질문

• RQ1 3단계 정렬 파이프라인이 다양한 염색 방식을 가진 조직학적 섹션 간에 높은 정확도와 강건성을 달성할 수 있는가?
• RQ2 군집에서 세분 해상도로의 다중 수준 최적화는 조직학적 이미지 정렬에서 속도와 수렴 성능를 어떻게 향상시키는가?
• RQ3 염색 변형을 다룰 때 NGF 거리 측정 지표가 다른 유사도 측정 지표보다 얼마나 뛰어나게 작용하는가?
• RQ4 전체 슬라이드 이미지 정렬에서 계산 효율성과 정확도 사이의 상호 상충 관계는 어떠한가?
• RQ5 자동 사전 정렬이 사전 지식 없이도 임의의 초기 회전과 이동을 효과적으로 처리할 수 있는가?

주요 결과

• ANHIR 훈련 데이터셋에서 메디안 상대목표정렬오차(MMrTRE)는 0.19%를 기록했으며, 평균 MMrTRE는 0.49%였다.
• 99.6%의 경우에서 강건성이 확보되었으며, 이는 초기 정렬 대비 랜드마크 오차 감소가 성공적으로 이루어진 경우로 정의된다.
• 강건한 케이스에 한정하여 메디안 오차는 0.19%이며, 평균 MMrTRE는 0.30%였으며, 이는 잘 정렬된 쌍에서의 높은 일관성을 나타낸다.
• 이 전체 정렬 파이프라인(이미지 로딩 포함)은 표준 데스크톱 CPU(i7-7700K)에서 평균 4.0초 내에 완료된다.
• 각 격자 셀당 평균 최대 면적 변화는 1.35%였으며, 이는 기하학적 왜곡이 최소화되고 변형 필드에 접힘이 발생하지 않았음을 의미한다.
• 사전 정렬은 99.6%의 경우에서 초기 이완정렬을 성공적으로 감소시켰지만, 이 단계에서 실패한 경우 후속 단계에서 복구되지 않았다.