[论文解读] An Auto-Context Deformable Registration Network for Infant Brain MRI

Dongming Wei, Sahar Ahmad+8 more|arXiv (Cornell University)|May 19, 2020

Medical Image Segmentation Techniques参考文献 19被引用 7

一句话总结

该论文提出了一种用于婴儿脑部MRI的自动上下文可变形配准网络（AC-Reg-Net），通过单一深度学习网络迭代优化形变场，结合组织分割图与空间变压器，实现高精度、平滑且拓扑结构保持的配准。AC-Reg-Net在6个月至12个月的配准中，灰质DSC达到85.17%，白质DSC达到83.19%，显著优于当前最先进方法，同时保持极低的形变场正则化惩罚（RFP = 0.0122）。

ABSTRACT

Deformable image registration is fundamental to longitudinal and population analysis. Geometric alignment of the infant brain MR images is challenging, owing to rapid changes in image appearance in association with brain development. In this paper, we propose an infant-dedicated deep registration network that uses the auto-context strategy to gradually refine the deformation fields to obtain highly accurate correspondences. Instead of training multiple registration networks, our method estimates the deformation fields by invoking a single network multiple times for iterative deformation refinement. The final deformation field is obtained by the incremental composition of the deformation fields. Experimental results in comparison with state-of-the-art registration methods indicate that our method achieves higher accuracy while at the same time preserves the smoothness of the deformation fields. Our implementation is available online.

研究动机与目标

• 解决由于婴儿脑部结构与外观在发育过程中快速变化所带来的准确可变形配准挑战。
• 克服现有深度学习配准方法的局限性，如陷入局部最优、对超参数调优敏感，以及级联网络中GPU显存使用量高的问题。
• 通过迭代利用先前估计的上下文信息对形变场进行细化，无需训练多个网络，从而提升配准精度与形变平滑性。
• 通过基于雅可比行列式的正则化器确保形变场的拓扑一致性，防止折叠并保持组织结构。
• 开发一种计算高效且在纵向及群体神经影像研究中对不同年龄组（2周至12个月）均具鲁棒性的方法。

提出的方法

• AC-Reg-Net采用自动上下文框架，通过在多个迭代中重复使用预训练的单个配准网络（Reg-Net），迭代细化形变场。
• 在每次迭代中，使用当前形变场将移动图像的分割图进行形变，并将结果反馈至同一Reg-Net，以估计新的残差形变场。
• 最终形变场通过所有残差形变场的增量组合获得：$\phi = \phi_1 \circ \phi_2 \circ \cdots \circ \phi_n$。
• Reg-Net基于3D U-Net架构，以配对的组织分割图（灰质/白质）作为输入，输出速度场，经积分生成形变场。
• 采用空间变压器层，利用估计的形变场对移动分割图进行重采样，实现端到端可微分的形变操作。
• 应用基于雅可比行列式的拓扑保持正则化器，以确保形变场平滑、可逆且具有物理合理性。

实验结果

研究问题

• RQ1 迭代式自动上下文策略是否能在不训练多个级联网络的情况下，提升婴儿脑部MRI的配准精度？
• RQ2 迭代细化步骤的数量如何影响配准精度与形变平滑性之间的权衡？
• RQ3 是否可通过在迭代中重复使用单一深度学习网络，并结合先前形变估计的上下文信息，实现对现有深度学习与基于优化的配准方法的超越？
• RQ4 在早期脑发育过程中存在显著解剖结构变化的情况下，使用组织分割图作为输入在多大程度上能提升配准性能？
• RQ5 所提出方法是否在实现高Dice相似系数（DSC）的同时，仍能保持低形变场正则化惩罚（RFP）？

主要发现

• AC-Reg-Net在将6个月大的扫描图像配准至12个月大的固定图像时，灰质的平均Dice相似系数（DSC）达到85.17%，白质达到83.19%，显著优于VoxelMorph（80.01%和76.34%）及其他基线方法。
• 该方法实现了极低的正则化场惩罚（RFP）0.0122，表明形变场具有高度平滑性与拓扑保持性，优于VoxelMorph（0.6915）及其他方法。
• 配准精度在第一次到第二次迭代间显著提升，第五次迭代后趋于稳定，最优性能出现在n=5次迭代时。
• 自动上下文框架通过在形变前组合形变场，减少了因重复对分割图进行重采样而引起的误差累积，从而提升了稳定性与精度。
• AC-Reg-Net在所有测试时间点（2周至12个月、3个月至12个月、6个月至12个月）均保持高精度与平滑性，展现出对发育变化的强鲁棒性。
• 在DSC与RFP指标上，该方法均优于SyN、diffeomorphic Demons、NiftyReg与VoxelMorph，证实其在处理婴儿脑部MRI中大形变时的有效性。