[논문 리뷰] A Diffeomorphic Approach to Multimodal Registration with Mutual Information: Applications to CLARITY Mouse Brain Images.

Kwame S. Kutten, Nicolas Charon외 5명|arXiv (Cornell University)|2016. 12. 01.

Medical Image Segmentation Techniques참고 문헌 32인용 수 4

한 줄 요약

이 논문은 전통적인 SSD 매칭 항목을 상호정보량으로 대체함으로써 강도 변화에 더 강건한 다중모odal 뇌 영상 정렬을 향상시키는 상호정보량 기반 LDDMM(MI-LDDMM) 프레임워크를 제안한다. CLARITY 마우스 뇌 영상에 적용된 결과, MI-LDDMM는 강도 프로파일이 다른 영상 간 정렬에서 SSD-LDDMM를 능가했으며, 계층적 다중스케일 접근 방식은 수렴 속도를 향상시키고 런타임을 단축시켰다.

ABSTRACT

Large Deformation Diffeomorphic Metric Mapping (LDDMM) is a widely used deformable registration algorithm for computing smooth invertible maps between various types of anatomical shapes such as landmarks, curves, surfaces or images. In this work, we specifically focus on the case of images and adopt an optimal control point of view so as to extend the original LDDMM with Sum of Squared Differences (SSD) matching term to a framework more robust to intensity variations, which is critical for cross-modality registration. We implement a mutual information based LDDMM (MI-LDDMM) algorithm and demonstrate its superiority to SSD-LDDMM in aligning 2D phantoms with differing intensity profiles. This algorithm is then used to register CLARITY mouse brain images to a standard mouse atlas despite their differences in grayscale values. We complement the approach by showing how a cascaded multi-scale method improves the optimization while reducing the run time of the algorithm.

연구 동기 및 목표

• 강도 변동이 있는 다중모달 영상 정렬 문제, 특히 신경영상 분야에서의 도전 과제를 해결하기 위해.
• 표준 아틀라스와 상당한 회색조 차이를 보이는 CLARITY 마우스 뇌 영상의 정렬 정확도를 향상시키기 위해.
• LDDMM 프레임워크를 제곱합(Sum of Squared Differences, SSD)을 초월하여, 더 강건한 유사도 측정 기준으로 상호정보량을 통합함으로써 확장하기 위해.
• 계층적 다중스케일 최적화 전략을 통해 계산 효율성을 향상시키기 위해.

제안 방법

• 최적 제어 프레임워크를 도입하여 상호정보량을 유사도 측정 기준으로 사용하는 LDDMM 정렬 문제를 수립한다.
• 기존 LDDMM의 SSD 매칭 항목을 상호정보량 기반 비용 함수로 대체하여 강도 비균일성에 대한 강건성을 향상시킨다.
• 변형 에너지와 상호정보량 기반 유사도의 조합을 최소화하는 변분 최적 제어 문제로 정렬을 수립한다.
• 거친 스케일에서 정렬을 초기화한 후 더 세밀한 스케일에서 정밀화하는 방식으로 수렴 속도를 가속화하기 위해 계층적 다중스케일 접근 방식을 구현한다.
• 부드럽고 역행 가능한 맵핑을 보장하기 위해 미분형 변환 모델을 사용한다.
• 첨도 상태 방법에서 유도된 기반 기반 경사 하강법을 사용하여 비용 함수를 최적화한다.

실험 결과

연구 질문

• RQ1 CLARITY 마우스 뇌 영상의 다중모달 정렬에서, 상호정보량이 SSD에 비해 정렬 정확도를 향상시킬 수 있는가?
• RQ2 다양한 강도 프로파일을 가진 2D 펌프에서 MI-LDDMM 프레임워크는 어떻게 성능을 발휘하는가?
• RQ3 계층적 다중스케일 전략은 정렬 정확도를 유지하면서 런타임을 얼마나 줄일 수 있는가?
• RQ4 다른 회색조 강도를 가진 표준 마우스 아틀라스에 CLARITY 영상을 정렬할 때, MI-LDDMM이 SSD-LDDMM보다 더 강건한가?

주요 결과

• 다른 강도 프로파일을 가진 2D 펌프 정렬에서 MI-LDDMM가 SSD-LDDMM보다 뛰어난 성능을 보이며, 강도 변화에 대한 강건성을 확인했다.
• 표준 마우스 아틀라스와 상당한 회색조 차이를 보이는 CLARITY 마우스 뇌 영상 간 정렬에 대해 MI-LDDMM 알고리즘이 성공적으로 적용되었다.
• 계층적 다중스케일 접근 방식은 최적화 런타임을 크게 단축시켰으며, 높은 정렬 정확도를 유지했다.
• 유사도 측정 기준으로 상호정보량을 사용함으로써, SSD 기반 방법이 실패하거나 최적 결과를 도출하지 못하는 모odal 간 신뢰할 수 있는 정렬이 가능해졌다.