[论文解读] DiffuseMorph: Unsupervised Deformable Image Registration Using Diffusion Model

Boah Kim, Inhwa Han+1 more|arXiv (Cornell University)|Dec 9, 2021

Medical Image Segmentation Techniques被引用 4

一句话总结

DiffuseMorph 是一种新颖的无监督可变形图像配准方法，利用条件扩散模型生成连续且保持拓扑结构的形变场，以对齐移动图像与固定图像。通过学习形变的得分函数（score function）以实现扩散建模，该方法可在连续轨迹上实现实时插值配准，并快速生成合成形变图像，在 2D 和 3D 医疗影像任务中实现了最先进的精度表现，并显著提升了拓扑结构保持能力。

ABSTRACT

Deformable image registration is one of the fundamental tasks in medical imaging. Classical registration algorithms usually require a high computational cost for iterative optimizations. Although deep-learning-based methods have been developed for fast image registration, it is still challenging to obtain realistic continuous deformations from a moving image to a fixed image with less topological folding problem. To address this, here we present a novel diffusion-model-based image registration method, called DiffuseMorph. DiffuseMorph not only generates synthetic deformed images through reverse diffusion but also allows image registration by deformation fields. Specifically, the deformation fields are generated by the conditional score function of the deformation between the moving and fixed images, so that the registration can be performed from continuous deformation by simply scaling the latent feature of the score. Experimental results on 2D facial and 3D medical image registration tasks demonstrate that our method provides flexible deformations with topology preservation capability.

研究动机与目标

• 解决在无监督图像配准中生成逼真、连续形变的挑战，而无需依赖真实形变场。
• 通过利用扩散模型的内在正则化特性，克服深度学习方法中常见的拓扑折叠问题。
• 利用单一统一的基于扩散模型的框架，同时实现高精度图像配准与合成形变图像生成。
• 通过简单缩放潜在特征，实现从移动图像到固定图像的连续形变路径，支持实时插值。
• 通过从移动图像经前向扩散过程初始化，加速扩散过程，减少步数，同时保持内容完整性。

提出的方法

• 该方法采用条件扩散模型，训练以估计移动图像与固定图像对之间的形变得分函数。
• 形变网络利用扩散模型得分函数的潜在特征，预测用于形变移动图像的形变场。
• 通过同时将移动图像和固定图像作为条件输入，对扩散模型进行条件化，从而实现空间一致且连续的形变估计。
• 通过在推理过程中线性缩放潜在特征向量，实现连续配准，从而在移动图像与固定图像之间实现平滑插值。
• 通过从移动图像开始、仅经过一次前向扩散步骤的快速反向扩散过程，生成合成形变图像，减少计算量并保持内容完整性。
• 模型通过重建损失与正则化项的组合进行端到端训练，以确保精度与拓扑结构保持。

实验结果

研究问题

• RQ1 能否有效将扩散模型适配于生成无监督图像配准中的连续、逼真的形变场？
• RQ2 扩散模型条件得分函数的潜在特征是否能够实现沿连续轨迹的平滑、基于插值的配准？
• RQ3 所提出的方法能否生成与固定图像高度接近、同时保持解剖拓扑结构的高质量合成形变图像？
• RQ4 在配准精度与拓扑结构保持方面，DiffuseMorph 与现有基于学习的配准方法相比表现如何？
• RQ5 配准损失超参数对精度与形变场规则性之间权衡的影响是什么？

主要发现

• 在 3D 心脏 MR 图像上，DiffuseMorph 的 PSNR 达到 28.91，NMSE 为 0.0018，连续形变质量优于基线方法。
• 在脑部 MR 图像配准中，DiffuseMorph 的 Dice 分数达到 0.756（±0.139），优于所有对比方法，包括 SyN、VM 和 CM。
• 该方法保持了 0.505%（±0.058）的低雅可比行列式折叠率，表明具有强大的拓扑结构保持能力，优于 VM-diff（0.631%）和 MSDIRNet（0.804%）。
• 消融实验表明，增加配准损失权重 λ 可提升 Dice 分数，当 λ=10 时取得最佳平衡，Dice 分数为 0.756，折叠率为 0.505%。
• 模型在 GPU 上的推理时间仅为 0.01 分钟（0.6 秒），支持沿连续轨迹的实时配准。
• 视觉对比结果表明，形变场更平滑，配准效果更优，尤其在脑室和海马等复杂解剖结构中表现更佳。