Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Deep-Learning Atlas Registration for Melanoma Brain Metastases: Preserving Pathology While Enabling Cohort-Level Analyses

Nanna Wielenberg, Ilinca Popp|arXiv (Cornell University)|Feb 13, 2026
Cutaneous Melanoma Detection and Management被引用数 0
ひとこと要約

完全に微分可能な前処理不要の深層学習アトラス登録フレームワークを紹介。MBMを共通アトラスに揃えつつ転移病変を保持し、多施設データを横断した堅牢なコホート解析を実現。

ABSTRACT

Melanoma brain metastases (MBM) are common and spatially heterogeneous lesions, complicating cohort-level analyses due to anatomical variability and differing MRI protocols. We propose a fully differentiable, deep-learning-based deformable registration framework that aligns individual pathological brains to a common atlas while preserving metastatic tissue without requiring lesion masks or preprocessing. Missing anatomical correspondences caused by metastases are handled through a forward-model similarity metric based on distance-transformed anatomical labels, combined with a volume-preserving regularization term to ensure deformation plausibility. Registration performance was evaluated using Dice coefficient (DSC), Hausdorff distance (HD), average symmetric surface distance (ASSD), and Jacobian-based measures. The method was applied to 209 MBM patients from three centres, enabling standardized mapping of metastases to anatomical, arterial, and perfusion atlases. The framework achieved high registration accuracy across datasets (DSC 0.89-0.92, HD 6.79-7.60 mm, ASSD 0.63-0.77 mm) while preserving metastatic volumes. Spatial analysis demonstrated significant over-representation of MBM in the cerebral cortex and putamen, under-representation in white matter, and consistent localization near the gray-white matter junction. No arterial territory showed increased metastasis frequency after volume correction. This approach enables robust atlas registration of pathological brain MRI without lesion masks and supports reproducible multi-centre analyses. Applied to MBM, it confirms and refines known spatial predilections, particularly preferential seeding near the gray-white matter junction and cortical regions. The publicly available implementation facilitates reproducible research and extension to other brain tumours and neurological pathologies.

研究の動機と目的

  • MBMのコホートレベル分析の再現性を高めるために、個人間の解剖学的変動を低減する。
  • 前処理や病変マスキングなしで病理学的脳画像を共通アトラスへ登録する。
  • 登録中に転移組織を保持し、対応欠損を頑健に扱う。
  • 複数センターのMBMコホーを用いてフレームワークを検証し、空間分布パターンを分析する。

提案手法

  • 各被験体をアトラスへマッピングする変形場を出力するU-netにより計算される全微分可能な変形登録フレームワークを用いる。
  • リサンプリングによる画像劣化を避けるため、学習可能なサンプリンググリッドを介して変換を適用するサンプリングモジュールを採用する。
  • Learn2Reg健康データセット上で汎用モデルを訓練し、その後個別ケースへ一発オーバーフィット（Learn2Reg-OFおよびClin1-Clin3-OF）を行い高精度を得る。
  • ラベルマップベースの類似度損失（距離変換ラベルとNCCを用いる）と正規化/体積保持項、さらにはオーバーフィット時の対応欠損を扱うための任意の体積損失の5つの項を使用する。
  • Dice、Hausdorff距離、ASSDで登録を評価し、ジャコビアンに基づく妥当性と腫瘍体積変化を評価する。
  • アトラスベースのMBM分析を三センターで実施可能なフレームワークの公開実装を提供する。
Figure 1 : The overall architecture used in this work. The sampling modules act like a wrapper around images ( $I_{i}$ and $I_{j}$ ) and the atlas ( $I_{A}$ ) and are responsible for preparing them as input for the neural network and for applying the calculated transformations ( $T_{i}$ , $T_{j}$ )
Figure 1 : The overall architecture used in this work. The sampling modules act like a wrapper around images ( $I_{i}$ and $I_{j}$ ) and the atlas ( $I_{A}$ ) and are responsible for preparing them as input for the neural network and for applying the calculated transformations ( $T_{i}$ , $T_{j}$ )

実験結果

リサーチクエスチョン

  • RQ1前処理や病変マスクなしでMBMを共通アトラスへ正確に登録し、腫瘍組織を保持できるディープラーニングの変形登録フレームワークは実現可能か。
  • RQ2方法は多施設MBMデータセットに対して堅牢で再現性のあるコホートレベルの空間解析を可能にするか。
  • RQ3アトラスへマップされたMBMの空間分布パターンは何であり、それは解剖学的・灌流的特徴とどう関連するか。
  • RQ4個別ケースへの一発オーバーフィットと一般モデルの精度および病理組織 preserving の観点でどのように比較されるか。

主な発見

Dataset/ModelDSCHD [mm]ASSD [mm]Tumour Volume FactorJacobian Ratio
Learn2Reg-A0.59 ± 0.228.12 ± 5.691.49 ± 0.73--
Learn2Reg-G0.75 ± 0.208.02 ± 6.370.91 ± 0.41--
Learn2Reg-OF0.92 ± 0.096.79 ± 5.700.63 ± 0.23--
Clin1-A0.61 ± 0.218.58 ± 7.111.57 ± 1.56--
Clin1-OF0.89 ± 0.127.27 ± 6.510.77 ± 0.390.82 ± 0.380.91 ± 0.41
Clin2-A0.61 ± 0.217.92 ± 6.151.34 ± 0.56--
Clin2-OF0.90 ± 0.107.09 ± 6.140.74 ± 0.360.85 ± 0.400.94 ± 0.31
Clin3-A0.58 ± 0.228.42 ± 6.611.47 ± 0.67--
Clin3-OF0.89 ± 0.137.60 ± 6.750.77 ± 0.400.86 ± 0.250.98 ± 0.33
  • 登録精度はデータセット全体で高いまま（DSC 0.89–0.92、HD 6.79–7.60 mm、ASSD 0.63–0.77 mm）、転移体積は保持。
  • アトラス写像後、MBMは大脳皮質と尾状核で過剰表現され、白質で過小表現される一方、転移病変は灰白質境界近くを好む。
  • 動脈領域では地域体積を補正してもMBM頻度が有意に増加しなかった。
  • 体積保持損失はオーバーフィット時の腫瘍保持を改善（例：Clin1-OF DSC 0.89、HD 7.27 mm、ASSD 0.77 mm；腫瘍体積係数 ~0.82、ジャコビアン比 ~0.91）。
  • 前処理と病変マスキングを避けつつ高い登録性能を達成し、センター間の再現可能なコホート解析を実現。
Figure 2 : This figure illustrates the difference in contour-based loss between a collapsing tumour region and a volume-preserved tumour evaluated in image space and atlas space for a simplified (left) and a real world (right) example. The upper part of the figure shows the images with tumour contou
Figure 2 : This figure illustrates the difference in contour-based loss between a collapsing tumour region and a volume-preserved tumour evaluated in image space and atlas space for a simplified (left) and a real world (right) example. The upper part of the figure shows the images with tumour contou

より良い研究を、今すぐ始めましょう

論文設計から論文執筆まで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。