[论文解读] CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability

Rodrigo Santa Cruz, Léo Lebrat+5 more|arXiv (Cornell University)|Jun 14, 2022

Medical Image Segmentation Techniques被引用 4

一句话总结

CorticalFlow++ 对最先进的 MRI 基 CorticalFlow 模型在皮层表面重建方面提出了三项关键改进：更高阶的 ODE 求解器（RK4）、一种新颖的平滑模板生成方法，以及一种白质到蛛网膜下腔表面的形变公式。这些改进使 Chamfer 距离的几何精度提升了 19.11%，自相交面减少了 56.77%，同时保持了亚秒级推理时间与低 GPU 显存占用。

ABSTRACT

The problem of Cortical Surface Reconstruction from magnetic resonance imaging has been traditionally addressed using lengthy pipelines of image processing techniques like FreeSurfer, CAT, or CIVET. These frameworks require very long runtimes deemed unfeasible for real-time applications and unpractical for large-scale studies. Recently, supervised deep learning approaches have been introduced to speed up this task cutting down the reconstruction time from hours to seconds. Using the state-of-the-art CorticalFlow model as a blueprint, this paper proposes three modifications to improve its accuracy and interoperability with existing surface analysis tools, while not sacrificing its fast inference time and low GPU memory consumption. First, we employ a more accurate ODE solver to reduce the diffeomorphic mapping approximation error. Second, we devise a routine to produce smoother template meshes avoiding mesh artifacts caused by sharp edges in CorticalFlow's convex-hull based template. Last, we recast pial surface prediction as the deformation of the predicted white surface leading to a one-to-one mapping between white and pial surface vertices. This mapping is essential to many existing surface analysis tools for cortical morphometry. We name the resulting method CorticalFlow$^{++}$. Using large-scale datasets, we demonstrate the proposed changes provide more geometric accuracy and surface regularity while keeping the reconstruction time and GPU memory requirements almost unchanged.

研究动机与目标

• 解决 CorticalFlow 在几何精度和网格规则性方面的局限性，这些局限性源于 ODE 求解器近似误差和模板伪影。
• 通过在白质与蛛网膜下腔表面之间建立一对一顶点对应关系，提升与现有表面分析工具的互操作性。
• 在提升重建质量的同时，保持 CorticalFlow 的快速推理速度与低 GPU 显存消耗。
• 开发一种稳健的、端到端的深度学习框架用于皮层表面重建，适用于大规模神经影像学研究。
• 实现在不依赖传统流水线组件或外部白质表面生成的情况下，实现准确、无伪影的表面重建。

提出的方法

• 用四阶龙格-库塔（RK4）方法替代 CorticalFlow 中的欧拉 ODE 求解器，以提高表面形变过程中微分同胚映射的精度。
• 引入一种新的模板生成流程，为训练皮层表面创建平滑且紧密包裹的网格，替代易产生锐边和伪影的凸包模板。
• 将蛛网膜下腔表面预测任务重新表述为对预测白质表面的形变，确保白质与蛛网膜下腔表面之间的一对一顶点对应关系。
• 利用改进的模板和顶点对应关系，增强微分同胚形变网络的稳定性和精度。
• 设计方法时注重计算效率，保留原始模型的推理速度与 GPU 显存占用。
• 在大规模 MRI 数据集上端到端地训练和评估模型，其伪真值表面由传统流水线生成。

实验结果

研究问题

• RQ1 将欧拉 ODE 求解器替换为更高阶方法（RK4）是否能显著提升皮层表面重建的几何精度？
• RQ2 使用平滑的非凸包模板是否能减少网格伪影并提升基于深度学习的皮层表面重建中的表面规则性？
• RQ3 白质到蛛网膜下腔表面的形变策略是否能建立一对一顶点对应关系，从而增强与现有表面分析工具的兼容性？
• RQ4 这些改进在不增加推理时间或 GPU 显存占用的前提下，能在多大程度上提升重建精度与网格质量？
• RQ5 与 SOTA 方法如 PialNN 和 FreeSurfer 相比，该方法在分布外数据集上的表现如何？

主要发现

• 与原始 CorticalFlow 相比，CorticalFlow++ 在 Chamfer 距离上平均降低了 19.11%，表明几何精度显著提升。
• 自相交面的比例平均减少了 56.77%，证明了网格规则性与质量的增强。
• 仅引入 RK4 ODE 求解器，即可使 Chamfer 距离降低 12.2%，自相交面减少 35.90%，凸显其对精度的显著影响。
• 新的平滑模板生成方法在高度弯曲区域有效抑制了网格伪影，定性结果已直观验证。
• 与基线相比，白质到蛛网膜下腔形变公式使自相交面减少 79.19%，Chamfer 距离降低 21.02%。
• 在 OASIS3 分布外数据集上，CorticalFlow++ 在所有指标上均优于两种 PialNN 变体，同时保持了相当的推理时间与 GPU 显存占用。