[论文解读] Robust, fast and accurate: a 3-step method for automatic histological image registration

Johannes Lotz, Nick Weiss+1 more|arXiv (Cornell University)|Mar 28, 2019

AI in cancer detection参考文献 12被引用 12

一句话总结

该论文提出了一种三步自动组织切片图像配准流程，确保在多染色连续切片中具有鲁棒性、速度和精度。该方法在从粗到细的分辨率层级上使用归一化梯度场（NGF）距离最小化，结合预对齐、仿射参数化配准和非线性B样条变形，平均在4秒内实现0.19%的中位相对目标配准误差。

ABSTRACT

We present a 3-step registration pipeline for differently stained histological serial sections that consists of 1) a robust pre-alignment, 2) a parametric registration computed on coarse resolution images, and 3) an accurate nonlinear registration. In all three steps the NGF distance measure is minimized with respect to an increasingly flexible transformation. We apply the method in the ANHIR image registration challenge and evaluate its performance on the training data. The presented method is robust (error reduction in 99.6% of the cases), fast (runtime 4 seconds) and accurate (median relative target registration error 0.19%).

研究动机与目标

• 解决数字病理学中不同染色的连续组织切片精确自动配准的挑战。
• 在保持高精度的同时降低多模态图像配准的计算复杂度。
• 在无需人工干预的情况下，实现对各种染色差异和初始错位的鲁棒配准。
• 实现实时性能，适用于全玻片成像的临床和研究工作流程。
• 通过分层多分辨率方法，提升ANHIR挑战中基于特征点的配准精度。

提出的方法

• 采用三步流程：(1) 自动旋转对齐实现刚性预对齐，(2) 在粗分辨率图像上进行参数化仿射配准，(3) 在高分辨率图像上进行非线性非刚性配准。
• 以归一化梯度场（NGF）距离度量为核心相似性指标，对染色差异和基于边缘的配准具有鲁棒性。
• 采用多层级优化，通过逐步降低图像分辨率以加速收敛并避免局部极小值。
• 在参数化配准中使用高斯-牛顿优化，在非线性配准中使用L-BFGS拟牛顿优化，结合B样条控制点。
• 各步骤使用不同的NGF参数（ε）和分辨率层级：预对齐和参数化阶段ε=0.1，非线性配准阶段ε=1.0。
• 使用257×257控制网格上的1阶B样条对变形场进行离散化，正则化参数α=0.1，以防止折叠现象。

实验结果

研究问题

• RQ1 三步配准流程是否能在多样化的不同染色组织切片中实现高精度和鲁棒性？
• RQ2 从粗到细的多层级优化在组织切片图像配准中如何提升速度和收敛性？
• RQ3 NGF距离度量在处理染色差异方面，相较于其他相似性度量指标的优越程度如何？
• RQ4 全玻片图像配准中，计算效率与配准精度之间的权衡如何？
• RQ5 自动预对齐是否能有效处理任意初始旋转和位移，而无需先验知识？

主要发现

• 在ANHIR训练数据集上，该方法实现了0.19%的中位相对目标配准误差（MMrTRE），平均MMrTRE为0.49%。
• 在99.6%的案例中实现了鲁棒性，定义为与初始对齐相比特征点误差成功降低。
• 仅在鲁棒案例中，中位误差为0.19%，平均MMrTRE为0.30%，表明在良好对齐对中具有高度一致性。
• 整个配准流程（包括图像加载）在标准台式CPU（i7-7700K）上平均耗时4.0秒。
• 每个网格单元的最大面积变化平均为1.35%，表明几何失真极小，且变形场中无折叠现象。
• 预对齐在99.6%的案例中成功降低了初始错位，但该阶段的失败在后续步骤中无法恢复。