[论文解读] A Comparative Analysis of Registration Tools: Traditional vs Deep Learning Approach on High Resolution Tissue Cleared Data

Abdullah Nazib, Clinton Fookes+1 more|arXiv (Cornell University)|Oct 18, 2018

Medical Image Segmentation Techniques被引用 5

一句话总结

本文在高分辨率、组织透明化的3D显微镜数据上对比了基于深度学习的VoxelMorph与传统基于优化的配准工具（ANTS、AIR、Elastix、NiftyReg、IRTK）。VoxelMorph实现亚15秒的配准时间——比传统方法快几个数量级——同时保持了具有竞争力的准确性，尽管其在准确性上仍逊于ANTS，且在新参考图像上的测试中失败，凸显了其泛化能力的关键局限。

ABSTRACT

Image registration plays an important role in comparing images. It is particularly important in analyzing medical images like CT, MRI, PET, etc. to quantify different biological samples, to monitor disease progression and to fuse different modalities to support better diagnosis. The recent emergence of tissue clearing protocols enable us to take images at cellular level resolution. Image registration tools developed for other modalities are currently unable to manage images of such extreme high resolution. The recent popularity of deep learning based methods in the computer vision community justifies a rigorous investigation of deep-learning based methods on tissue cleared images along with their traditional counterparts. In this paper, we investigate and compare the performance of a deep learning based registration method with traditional optimization based methods on samples from tissue-clearing methods. From the comparative results it is found that a deep-learning based method outperforms all traditional registration tools in terms of registration time and has achieved promising registration accuracy.

研究动机与目标

• 评估并比较基于深度学习的图像配准（VoxelMorph）与传统基于优化的方法在高分辨率组织透明化显微镜数据上的性能。
• 解决传统配准工具在处理大型3D组织透明化数据集时耗时数小时的计算瓶颈问题。
• 探究基于深度学习的配准方法是否能在这一具有挑战性的数据模态上实现高效率与可接受的准确性。
• 评估VoxelMorph在应用于训练期间未见过的新参考图像时的泛化能力。
• 识别在超高分辨率生物成像中，最先进的配准方法在准确性、效率和鲁棒性之间的权衡。

提出的方法

• 评估了五种基于优化的传统配准工具：ANTS、AIR、Elastix、NiftyReg和IRTK，每种工具均使用标准参数设置进行3D图像配准。
• 应用了无监督的基于深度学习的VoxelMorph方法，该方法通过U-Net架构端到端学习密集形变场以预测空间变换。
• 使用CUBIC数据集，包含分辨率为6.45×6.45×10 μm³的3D小鼠脑图像，分别下采样至10%和15%分辨率用于测试。
• 使用归一化互相关（CC）和互信息（MI）作为定量指标测量配准性能。
• 通过在另一张参考图像（脑003）上微调VoxelMorph并使用相同测试集评估性能，开展消融实验。
• 所有配准操作均在高性能计算（HPC）环境中执行，以确保时间比较的公平性。

实验结果

研究问题

• RQ1 VoxelMorph在高分辨率组织透明化3D显微镜数据上的配准准确性与传统基于优化的工具（ANTS、Elastix等）相比如何？
• RQ2 VoxelMorph相对于传统方法的计算效率如何？其能否扩展到全分辨率数据集？
• RQ3 当应用于训练期间未使用的全新参考图像时，VoxelMorph的泛化能力如何？
• RQ4 在该数据集上，不同传统配准工具（ANTS、Elastix、AIR等）在准确性与运行时间方面如何比较？
• RQ5 在该背景下，基于深度学习的配准方法存在哪些关键局限，特别是关于泛化能力和数据需求方面？

主要发现

• VoxelMorph在10%分辨率下实现13秒的配准时间，在15%分辨率下为16秒，显著优于所有传统工具的运行速度。
• ANTS是传统方法中最准确的，其在原始参考图像测试集上的CC得分为0.8226，MI得分为0.6778。
• 当在新参考图像（脑001）上测试时，VoxelMorph的CC得分降至0.2684，MI降至0.2225，表明其准确性大幅下降且泛化能力差。
• 传统工具如ANTS、Elastix和NiftyReg即使在新参考图像上也保持了高准确性（CC > 0.65），显示出对参考图像变化的鲁棒性。
• 在传统工具中，Elastix效率最高，在15%分辨率下配准时间不足7分钟，而ANTS耗时超过4小时。
• VoxelMorph在49,340次训练迭代中表现出逐步提升的准确性，表明其收敛缓慢但稳定，尽管从未达到ANTS的性能水平。