[论文解读] Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration

Jun Zhang|arXiv (Cornell University)|Sep 10, 2018

Medical Image Segmentation Techniques参考文献 58被引用 108

一句话总结

ICNet 在无监督可变形配准框架中引入逆一致性和抗折叠约束，在脑部 MRI 的 ground-truth 注册缺乏情况下实现了最先进的性能。

ABSTRACT

Deformable image registration is a fundamental task in medical image analysis, aiming to establish a dense and non-linear correspondence between a pair of images. Previous deep-learning studies usually employ supervised neural networks to directly learn the spatial transformation from one image to another, requiring task-specific ground-truth registration for model training. Due to the difficulty in collecting precise ground-truth registration, implementation of these supervised methods is practically challenging. Although several unsupervised networks have been recently developed, these methods usually ignore the inherent inverse-consistent property (essential for diffeomorphic mapping) of transformations between a pair of images. Also, existing approaches usually encourage the to-be-estimated transformation to be locally smooth via a smoothness constraint only, which could not completely avoid folding in the resulting transformation. To this end, we propose an Inverse-Consistent deep Network (ICNet) for unsupervised deformable image registration. Specifically, we develop an inverse-consistent constraint to encourage that a pair of images are symmetrically deformed toward one another, until both warped images are matched. Besides using the conventional smoothness constraint, we also propose an anti-folding constraint to further avoid folding in the transformation. The proposed method does not require any supervision information, while encouraging the diffeomoprhic property of the transformation via the proposed inverse-consistent and anti-folding constraints. We evaluate our method on T1-weighted brain magnetic resonance imaging (MRI) scans for tissue segmentation and anatomical landmark detection, with results demonstrating the superior performance of our ICNet over several state-of-the-art approaches for deformable image registration. Our code will be made publicly available.

研究动机与目标

• 由于缺乏地面真实注册数据，推动无监督的可变形配准。
• 强制逆一致性性质，以确保双向变换是逆映射。
• 通过抗折叠约束防止学习变换中的折叠。
• 展示使用 ICNet 在脑部 MRI 上改进的组织分割和解剖标志点检测。

提出的方法

• 使用双分支 FCN（U-Net）在成对图像之间学习流 F_AB 和 F_BA，权重共享。
• 引入逆一致损失，强制 F_AB 接近其估计逆向以及 F_BA 接近其逆向（L_inv）。
• 引入抗折叠损失，通过基于梯度符号指示折叠来约束，惩罚折叠（L_ant）。
• 应用标准平滑损失以促进局部规则性（L_smo）。
• 优化基于对齐对之间的均方差 MSD 的对称相似性损失（L_sim），并与正则化项（α,L_smo；β,L_inv；γ,L_ant）结合。
• 使用可微分的空间变换器（STN）实现扭曲，以及基于网格的逆流估计（G）。
• 在 PyTorch 中端到端训练，使用 Adam（学习率 lr = 5e-4），并在 ADNI 脑部 MRI 数据上进行验证。

实验结果

研究问题

• RQ1 无监督深度网络是否能够在双向形变场之间强制真正的逆一致性？
• RQ2 增加抗折叠约束是否相较仅使用平滑性能减少流场折叠并提高配准保真度？
• RQ3 与非学习方法及其他无监督方法相比，ICNet 在下游任务（组织分割和解剖标志点检测）上的表现如何？

主要发现

• ICNet 在脑组织（CSF、GM、WM）上的注册性能优于 Demons、SyN 和基线 DL 方法。
• 对于 CSF，ICNet 实现 DSC 83.58 和 SEN 82.55，超过 Demons（DSC 77.16；SEN 71.99）和 SyN（DSC 78.43；SEN 76.57）。
• 对于 CSF PPV，ICNet 达到 84.66，高于 Demons（83.16）、SyN（80.41）和 DL（82.34）。
• 对于 CSF ASD 和 HD，ICNet 显示有竞争力的误差，ASD 0.56 和 HD 11.10，一般低于竞争方法。
• 对于 GM 和 WM，ICNet 具有最佳的 DSC、SEN 和 PPV（如 WM DSC 88.13，WM PPV 90.22）以及在测试方法中最低的 HD（WM HD 12.71）。
• 未包含逆一致性或抗折叠约束的 ICNet 变体表现较差，印证了所提出约束的有效性。