[논문 리뷰] FAIM -- A ConvNet Method for Unsupervised 3D Medical Image Registration

Dongyang Kuang, Tanya Schmah|arXiv (Cornell University)|2018. 11. 22.

Medical Image Segmentation Techniques참고 문헌 19인용 수 13

한 줄 요약

FAIM는 VoxelMorph와 같은 U-Net 기반 방법보다 더 높은 정규화 정확도와 훨씬 적은 비가역 변형(접힘)을 달성하기 위해 경량 아키텍처와 명시적 접힘 페널티를 사용하는 새로운 3D 비지도 학습 컨볼루션 신경망이다. FAIM은 다양한 정규화 강도에서 뛰어난 성능을 유지하며, Dice 점수 손실을 최소화하면서도 접힘 수를 감소시킨다.

ABSTRACT

We present a new unsupervised learning algorithm, "FAIM", for 3D medical image registration. With a different architecture than the popular "U-net", the network takes a pair of full image volumes and predicts the displacement fields needed to register source to target. Compared with "U-net" based registration networks such as VoxelMorph, FAIM has fewer trainable parameters but can achieve higher registration accuracy as judged by Dice score on region labels in the Mindboggle-101 dataset. Moreover, with the proposed penalty loss on negative Jacobian determinants, FAIM produces deformations with many fewer "foldings", i.e. regions of non-invertibility where the surface folds over itself. In our experiment, we varied the strength of this penalty and investigated changes in registration accuracy and non-invertibility in terms of number of "folding" locations. We found that FAIM is able to maintain both the advantages of higher accuracy and fewer "folding" locations over VoxelMorph, over a range of hyper-parameters (with the same values used for both networks). Further, when trading off registration accuracy for better invertibility, FAIM required less sacrifice of registration accuracy. Codes for this paper will be released upon publication.

연구 동기 및 목표

• 딥 러닝 기반 접근 방식에서 흔히 발생하는 비가역 변형(접힘)을 방지하는 더 빠르고 정확한 비지도 3D 의료 영상 정규화 방법을 개발하기.
• 기존 비지도 CNN 방법의 한계를 해결하기 — 즉, 음수의 자코비안 행렬식으로 인해 비디퍼모르픽 변형이 자주 발생하는 문제를 해결하기.
• U-Net 기반 모델(예: VoxelMorph)보다 훨씬 적은 학습 가능한 파라미터로 높은 정규화 정확도를 달성하는 네트워크 아키텍처를 설계하기.
• 다양한 정규화 강도에서 정규화 정확도(Dice 점수)와 변형의 가역성(접힘 수) 간의 상호 관계를 조사하기.
• 음수 자코비안 행렬식에 대한 명시적 페널티가 정확도 손실 없이 변형 품질을 더 잘 제어할 수 있음을 입증하기.

제안 방법

• FAIM은 공간 변환 네트워크와 구글의 Inception 모듈을 영감으로 삼은 고유의 CNN 아키텍처를 사용하며, 확장된 컨볼루션과 스킵 연결을 통해 다중 척도 특징을 추출한다.
• 컨볼루션 블록에서 PReLU 활성화 함수를 사용하고, 변위 벡터의 선형 출력을 통해 3D 변위 장을 예측한다.
• 공간 변형 모듈은 예측된 변위 장을 사용해 소스 영상을 유연하게 샘플링하여, 미분 가능한 샘플링을 통해 왜곡된 영상을 생성한다.
• 학습 손실은 영상 유사성(정규화된 상관관계의 1 - 값)과 정규화 항목(변위 기울기의 L2 노름 및 음수 자코비안 행렬식에 대한 새로운 페널티)의 조합으로 구성된다.
• 접힘 방지 정규화 항목은 자코비안 행렬식이 음수인 영역을 명시적으로 페널티 처리하여, 디퍼모르픽(가역적) 변형을 촉진한다.
• 최대풀링을 피하기 위해 스트라이드 컨볼루션과 역전치 컨볼루션을 사용해 다운샘플링 및 업샘플링을 수행함으로써 공간 해상도와 기울기 흐름을 유지한다.

실험 결과

연구 질문

• RQ1 경량 CNN 아키텍처가 VoxelMorph와 같은 U-Net 기반 모델보다 3D 의료 영상 정규화에서 더 높은 정규화 정확도를 달성할 수 있는가?
• RQ2 음수 자코비안 행렬식에 대한 명시적 페널티가 표준 정규화보다 접힘 위치 수를 더 효과적으로 줄이는가?
• RQ3 다양한 정규화 강도에서 FAIM과 VoxelMorph 간의 정규화 정확도(Dice 점수)와 변형의 가역성(접힘 수) 간의 상호 관계는 어떻게 다른가?
• RQ4 상위 기하학적 방법(예: ANTs)과 비교했을 때 FAIM은 얼마나 높은 정확도를 유지하면서도 거의 디퍼모르픽 변형(즉, 매우 적은 접힘 수)을 달성할 수 있는가?
• RQ5 정규화 강도 β에 대한 접힘 감소 민감도가 FAIM에서 VoxelMorph보다 더 높은가? 이는 변형 품질 제어 능력 향상의 지표가 된다.

주요 결과

• FAIM은 Mindboggle-101 데이터셋에서 모든 ROI 레이블에 대해 평균 Dice 점수 0.5330을 기록했으며, β=0일 때 VoxelMorph의 0.5066보다 높은 성능을 보였다. 모든 테스트된 β 값에서 일관된 향상이 관찰되었다.
• β=10⁻²일 때 FAIM은 뇌당 평균 접힘 위치 수를 2(평균 𝒩 = 2)로 줄였고, VoxelMorph는 13으로 남아 있었으며, 더 높은 정규화 정확도를 유지했다.
• FAIM는 같은 접힘 감소를 달성하기 위해 Dice 점수 손실을 덜 입었으며, VoxelMorph보다 더 높은 정확도를 유지하면서도 접힘 감소에 대한 정규화 강도 증가에 더 강건했다.
• Dice 점수 대 접힘 위치 수의 곡선 기울기는 FAIM이 더 완만했으며, 이는 매 단위 접힘 감소에 대해 FAIM가 VoxelMorph보다 정확도 손실를 덜 입는다는 것을 의미한다.
• 로그-로그 플롯에서 FAIM은 β 증가에 따라 접힘 위치 수가 더 급격히 감소하는 경향을 보였으며, 이는 더 높은 민감도와 더 효과적인 접힘 방지 정규화 제어 능력을 나타낸다.
• 심지어 β=10⁻²일 때도 FAIM의 정규화 정확도(평균 Dice 0.4983)는 ANTs SyNQuick(0.4845)를 초월하여 기하학적 방법과도 경쟁 가능한 성능을 보였다.