[論文レビュー] CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability

Rodrigo Santa Cruz, Léo Lebrat+5 more|arXiv (Cornell University)|Jun 14, 2022

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

CorticalFlow++ は、MRI を用いた皮質表面再構築のための最先端モデル CorticalFlow に、3 つの主要な改善を提案する：高次の ODE スolver（RK4）、新しい滑らかなテンプレート生成法、および白質面からピアル面への変形定式化。これらの改良により、チェンファ距離で幾何的正確性が 19.11% 向上し、自己交差するメッシュ面の割合が 56.77% 減少するが、1 秒未満の推論時間と低 GPU メモリ使用量を維持する。

ABSTRACT

The problem of Cortical Surface Reconstruction from magnetic resonance imaging has been traditionally addressed using lengthy pipelines of image processing techniques like FreeSurfer, CAT, or CIVET. These frameworks require very long runtimes deemed unfeasible for real-time applications and unpractical for large-scale studies. Recently, supervised deep learning approaches have been introduced to speed up this task cutting down the reconstruction time from hours to seconds. Using the state-of-the-art CorticalFlow model as a blueprint, this paper proposes three modifications to improve its accuracy and interoperability with existing surface analysis tools, while not sacrificing its fast inference time and low GPU memory consumption. First, we employ a more accurate ODE solver to reduce the diffeomorphic mapping approximation error. Second, we devise a routine to produce smoother template meshes avoiding mesh artifacts caused by sharp edges in CorticalFlow's convex-hull based template. Last, we recast pial surface prediction as the deformation of the predicted white surface leading to a one-to-one mapping between white and pial surface vertices. This mapping is essential to many existing surface analysis tools for cortical morphometry. We name the resulting method CorticalFlow$^{++}$. Using large-scale datasets, we demonstrate the proposed changes provide more geometric accuracy and surface regularity while keeping the reconstruction time and GPU memory requirements almost unchanged.

研究の動機と目的

• ODE スolver の近似誤差とテンプレートアーチファクトによる CorticalFlow の幾何的正確性とメッシュの規則性の制限を解消する。
• 白質面とピアル面の 1 対 1 の頂点対応を確立することで、既存の表面解析ツールとの相互運用性を向上させる。
• 再構築品質を向上させながらも、CorticalFlow の高速な推論速度と低 GPU メモリ使用量を維持する。
• 大規模神経画像研究に適した、ロバストでエンドツーエンドの深層学習フレームワークを構築する。
• 従来のパイプライン要因や外部の白質表面生成に依存せずに、正確でアーチファクトのない表面再構築を可能にする。

提案手法

• 表面変形中の微分同相写像の正確性を向上させるために、CorticalFlow のオイラー ODE スolver を 4 階のルンゲ＝クッタ法（RK4）に置き換える。
• 訓練用皮質表面の周囲に滑らかで密着したメッシュを生成する新しいテンプレート生成ルーチンを導入し、鋭いエッジやアーチファクトを生じやすい凸包ベースのテンプレートを置き換える。
• ピアル面予測タスクを予測された白質面の変形として定式化することで、白質面とピアル面の 1 対 1 の頂点対応を保証する。
• 改善されたテンプレートと頂点対応を活用して、微分同相変形ネットワークの安定性と正確性を向上させる。
• 計算効率を確保するように設計し、元のモデルの推論速度と GPU メモリ使用量を維持する。
• 疑似真値表面を従来のパイプラインから得た大規模な MRI データセット上で、エンドツーエンドにモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 オイラー ODE スolver を高次の方法（RK4）に置き換えることで、皮質表面再構築の幾何的正確性が顕著に向上するか？
• RQ2 滑らかで凸包でないテンプレートを用いることで、深層学習ベースの皮質表面再構築におけるメッシュアーチファクトが低減され、表面の規則性が向上するか？
• RQ3 白質面からピアル面への変形戦略により、1 対 1 の頂点対応が確立され、既存の表面解析ツールとの互換性が向上するか？
• RQ4 これらの改良が、推論時間や GPU メモリ使用量を増加させることなく、再構築正確性とメッシュ品質をどの程度向上させるか？
• RQ5 PialNN や FreeSurfer と比較して、CorticalFlow++ は分布外データセット（OASIS3）においてどの程度の性能を示すか？

主な発見

• CorticalFlow++ は、元の CorticalFlow と比較して、平均でチェンファ距離を 19.11% 減少させ、幾何的正確性の顕著な向上を示した。
• 自己交差するメッシュ面の割合は平均で 56.77% 減少し、メッシュの規則性と品質が向上したことを示した。
• RK4 ODE スolver の追加のみで、チェンファ距離が 12.2% 減少し、自己交差する面の割合が 35.90% 減少した。これは、正確性に与える影響の大きさを示している。
• 新しい滑らかなテンプレート生成法は、高次曲率領域におけるメッシュアーチファクトを効果的に抑制したことが、定性的な結果で視覚的に確認された。
• 白質面からピアル面への変形定式化により、自己交差する面の割合が 79.19% 減少し、チェンファ距離が 21.02% 向上した。
• OASIS3 の分布外データセットでは、CorticalFlow++ は PialNN の両バージョンと比較して、すべての指標で優れた性能を示したが、推論時間と GPU メモリ使用量は同等を維持した。