[논문 리뷰] An Artificial Agent for Robust Image Registration

Rui Liao, Shun Miao외 5명|arXiv (Cornell University)|2016. 11. 30.

Medical Image Segmentation Techniques참고 문헌 26인용 수 13

한 줄 요약

이 논문은 3차원 의료 영상 정렬을 위한 딥 강화학습 기반의 인공 에이전트를 제안한다. 이 에이전트는 직접적인 파라미터 회귀가 아니라 순차적이고 정책 기반의 동작을 통해 정렬을 수행한다. 계층적 어텐션을 활용한 탐욕적인 지도 학습 접근 방식을 통해 정렬을 전략 학습 문제로 재정의함으로써, 특히 시야 차이가 크거나 심한 영상 잡음이 있는 경우에도 기존 최고 수준의 방법들보다 뛰어난 정확도와 강인성을 달성한다.

ABSTRACT

3-D image registration, which involves aligning two or more images, is a critical step in a variety of medical applications from diagnosis to therapy. Image registration is commonly performed by optimizing an image matching metric as a cost function. However, this task is challenging due to the non-convex nature of the matching metric over the plausible registration parameter space and insufficient approaches for a robust optimization. As a result, current approaches are often customized to a specific problem and sensitive to image quality and artifacts. In this paper, we propose a completely different approach to image registration, inspired by how experts perform the task. We first cast the image registration problem as a "strategy learning" process, where the goal is to find the best sequence of motion actions (e.g. up, down, etc.) that yields image alignment. Within this approach, an artificial agent is learned, modeled using deep convolutional neural networks, with 3D raw image data as the input, and the next optimal action as the output. To cope with the dimensionality of the problem, we propose a greedy supervised approach for an end-to-end training, coupled with attention-driven hierarchical strategy. The resulting registration approach inherently encodes both a data-driven matching metric and an optimal registration strategy (policy). We demonstrate, on two 3-D/3-D medical image registration examples with drastically different nature of challenges, that the artificial agent outperforms several state-of-art registration methods by a large margin in terms of both accuracy and robustness.

연구 동기 및 목표

• 기존 최적화 기반 영상 정렬 방법이 비볼록 비용 함수와 영상 잡음으로 인해 어려움을 겪는 데서 비롯된 한계를 해결하기 위해.
• 수동으로 설계된 메트릭스에 의존하지 않고도 영상 품질 변동성과 해부학적 복잡성에 강건한 정렬 방법을 개발하기 위해.
• 지속적인 데이터 기반 정책을 지도 학습을 통해 학습함으로써 완전 자동화된 엔드 투 엔드 3차원 영상 정렬을 가능하게 하기 위해.
• 심한 잡음이 있는 척추 및 심장 영상에서의 정확도와 수렴 성능을 향상시키기 위해.
• 대규모 레이블링 데이터에 대한 의존도를 줄이기 위해 효과적인 데이터 증강 및 샘플링 전략을 도입하기 위해.

제안 방법

• 정렬 작업이 에이전트가 이미지 정렬을 향해 최적의 운동 동작(예: 위, 아래, 회전)을 선택하는 순차적 의사결정 과정으로 재정의된다.
• 딥 컨volution 신경망이 3차원 원시 영상 입력을 다음 최적의 동작으로 매핑하며, 데이터 기반 매칭 메트릭스와 최적의 정렬 전략을 암묵적으로 코딩한 정책을 학습한다.
• 에이전트는 표준 딥 강화학습보다 더 효율적이고 메모리 요구량이 크게 줄어드는 탐욕적인 지도 학습(DSL) 프레임워크를 사용해 훈련된다.
• 시작 단계에서 고해상도 이미지 레이어에서 시작하여 점차 고해상도에서 정렬을 정밀하게 조정하는 계층적 전략을 적용함으로써 강인성을 향상시킨다.
• 보상 형태 조정 메커니즘이 사용되며, 에이전트는 진정한 변환에 가까워질수록 보너스 보상을 받는다. 할인 인자 γ와 보상 임계값 R은 수렴을 보장하기 위해 철저히 설정된다.
• 제한된 레이블링 훈련 쌍을 바탕으로 일반화 능력을 향상시키기 위해 데이터 증강 및 특별히 진정한 변환 주변의 타겟팅 샘플링 전략을 적용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 에이전트는 기존 최적화 기반 방법보다 뛰어난 강인성과 데이터 기반 정책을 학습할 수 있는가?
• RQ2 표준 딥 강화학습에 비해 탐욕적인 지도 학습 접근 방식은 효율성, 메모리 사용량, 성능 측면에서 어떻게 비교되는가?
• RQ3 계층적 다중 해상도 전략은 시야 차이가 크거나 영상 잡음이 심한 상황에서 정렬 정확도와 강인성을 얼마나 향상시킬 수 있는가?
• RQ4 심한 잡음과 낮은 연조직 대비를 보이는 CT-CBCT 척추 및 심장 영상과 같은 어려운 임상 사례에 대해 에이전트는 일반화 능력을 보일 수 있는가?
• RQ5 제한된 수의 레이블링 훈련 쌍이 존재할 경우, 타겟팅 데이터 샘플링 및 증강 전략은 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 이 인공 에이전트는 두 가지 도전적인 3D/3D 의료 영상 정렬 작업에서 기존 최고 수준의 여러 방법들보다 정확도와 강인성 면에서 뛰어난 성능을 보였다.
• 미세한 외관 차이 또는 심한 잡음으로 인해 인간 전문가가 어려움을 겪는 경우에도 이 방법은 뛰어난 성능을 발휘했다.
• 탐욕적인 지도 학습 프레임워크는 표준 딥 강화학습에 비해 메모리 사용량과 훈련 시간을 크게 줄였으며, 높은 성능를 유지했다.
• 계층적 프레임워크는 순환적 움직임 없이 안정적인 수렴을 가능하게 하여, 비볼록 파rameter 공간 내에서 효과적인 탐색이 이루어지고 있음을 시사한다.
• 영상 품질 변화에 대해 강건성을 보였으며, 척추 정렬 작업에서 실패율이 오직 8%에 불과하여 강력한 일반화 능력을 보였다.
• 이론적 분석을 통해 에이전트가 진정한 변환에 가까워질수록 행동-가치 함수가 1/(1−γ)로 수렴함을 확인하였으며, 이는 학습된 정책의 안정성과 최적성에 대한 지원을 제공한다.