[논문 리뷰] SUGAR: Spherical Ultrafast Graph Attention Framework for Cortical Surface Registration

Jianxun Ren, Ning An외 13명|arXiv (Cornell University)|2023. 07. 02.

Acute Ischemic Stroke ManagementMedicine인용 수 3

한 줄 요약

SUGAR는 코르티컬 표면 정렬을 위한 새로운 비지도 학습 기반 딥러닝 프레임워크로, 올리거 각 기반 변형 모델링을 사용하는 U-Net 기반 구면 그래프 어텐션 네트워크를 채택한다. 이는 각 주제당 밀리초 수준의 초고속 처리를 달성하여 기존 방법 대비 약 12,000배 빠르며, 7개 데이터셋의 10,000건 이상의 스캔에서 최신 기술 수준의 정확도와 왜곡 제어 성능을 유지하거나 초월한다.

ABSTRACT

Cortical surface registration plays a crucial role in aligning cortical functional and anatomical features across individuals. However, conventional registration algorithms are computationally inefficient. Recently, learning-based registration algorithms have emerged as a promising solution, significantly improving processing efficiency. Nonetheless, there remains a gap in the development of a learning-based method that exceeds the state-of-the-art conventional methods simultaneously in computational efficiency, registration accuracy, and distortion control, despite the theoretically greater representational capabilities of deep learning approaches. To address the challenge, we present SUGAR, a unified unsupervised deep-learning framework for both rigid and non-rigid registration. SUGAR incorporates a U-Net-based spherical graph attention network and leverages the Euler angle representation for deformation. In addition to the similarity loss, we introduce fold and multiple distortion losses, to preserve topology and minimize various types of distortions. Furthermore, we propose a data augmentation strategy specifically tailored for spherical surface registration, enhancing the registration performance. Through extensive evaluation involving over 10,000 scans from 7 diverse datasets, we showed that our framework exhibits comparable or superior registration performance in accuracy, distortion, and test-retest reliability compared to conventional and learning-based methods. Additionally, SUGAR achieves remarkable sub-second processing times, offering a notable speed-up of approximately 12,000 times in registering 9,000 subjects from the UK Biobank dataset in just 32 minutes. This combination of high registration performance and accelerated processing time may greatly benefit large-scale neuroimaging studies.

연구 동기 및 목표

• 대규모 뇌영상 연구에서 계산적으로 효율적이고 정확한 코르티컬 표면 정렬의 필수적인 요구사항을 충족시키기 위해.
• 높은 정확도를 보이지만 대규모 데이터셋에서는 너무 느려 실용적이지 않은 기존 정렬 방법의 한계를 극복하기 위해.
• 딥러닝의 표현력과 실용적 구현 간 격차를 메우기 위해, 정렬 과정에서 고속과 고정밀도를 동시에 달성하기 위해.
• 구면 코르티컬 표면에서 강체 및 비강체 정렬을 모두 지원하는 통합 프레임워크를 개발하기 위해.
• 특수 설계된 손실 함수와 데이터 증강 기법을 통해 정렬 과정에서 위상적 왜곡과 기하학적 일관성 문제를 최소화하기 위해.

제안 방법

• 구면 메쉬 위에서 그래프 컨volution 레이어를 사용하여 코르티컬 표면 기하학을 모델링하는 U-Net 기반의 구면 그래프 어텐션 네트워크를 제안한다.
• 비강체 변형을 부드럽고 미분 가능하며 해석 가능한 방식으로 보장하기 위해 변형 필드를 올리거 각도로 표현한다.
• 위상 보존과 기하학적 왜곡 최소화를 위해 유사도 손실, 접힘 손실, 다중 왜곡 손실을 조합한 다성분 손실 함수를 도입한다.
• 구면 표면에 특화된 새로운 데이터 증강 전략을 적용하여 학습 중 일반화 능력과 강인성을 향상시킨다.
• 지표가 없는 변형 레이블이 없는 비지도 학습 프레임워크를 사용하며, 영상 유사도와 기하학적 정규화에만 의존한다.
• 입력 표현의 안정성 향상과 학습 수렴성 향상을 위해 구면 조화 함수 기반 전처리를 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 프레임워크가 코르티컬 표면 데이터에서 밀리초 수준의 초고속 처리 시간과 최신 기술 수준의 정확도를 동시에 달성할 수 있는가?
• RQ2 제안된 구면 그래프 어텐션 네트워크가 기존 방법에 비해 복잡한 코르티컬 형태를 얼마나 효과적으로 포착하는가?
• RQ3 접힘 손실과 왜곡 손실이 비강체 정렬에서 위상적 신뢰성과 기하학적 정확도를 얼마나 향상시키는가?
• RQ4 제안된 데이터 증강 전략이 다양한 뇌영상 데이터셋 간 모델 일반화 능력을 크게 향상시키는가?
• RQ5 SUGAR는 다양한 대규모 데이터셋에서 반복 테스트 신뢰성과 일관성 측면에서 얼마나 우수한 성능를 보이는가?

주요 결과

• SUGAR는 주제당 1초 미만의 처리 시간을 달성하여, 9,000명의 UK 바이오뱅크 환자 데이터를 32분 내로 정렬함으로써 기존 방법 대비 약 12,000배 빠른 속도 향상을 보였다.
• 7개의 다양한 데이터셋에서 최신 기술 수준의 기존 및 학습 기반 방법과 비교해 유사하거나 뛰어난 정확도를 확보하였다.
• 접힘 손실과 왜곡 손실의 포함으로 위상 오류와 기하학적 왜곡이 크게 감소하여 정렬의 신뢰성이 향상되었다.
• 반복 스캔에 대한 테스트-재테스트 신뢰성 분석 결과, 반복성과 안정성이 매우 우수하여 학습된 변형이 강인함을 확인하였다.
• 제안된 데이터 증강 전략은 과적합을 줄이고 다양한 영상 프로토콜과 환자군 간 일반화 능력을 향상시켜 정렬 성능을 향상시켰다.
• SUGAR는 다양한 인구 집단과 촬영 프로토콜 간에도 높은 성능를 유지하여 실제 뇌영상 응용 분야에서 강력한 일반화 능력을 보였다.