[论文解读] Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images

Xiang Chen, Yan Xia+2 more|arXiv (Cornell University)|Nov 24, 2022

Medical Image Segmentation Techniques被引用 4

一句话总结

该论文提出SDDIR，一种弱监督深度学习框架，可联合执行心脏MR图像分割与保持不连续性的可变形配准。通过在分割分支中引入协同注意力模块，并在配准分支中采用不连续性感知正则化策略，SDDIR在心脏电影-MRI数据集上实现了优于最先进方法的配准精度，尤其在预测出高质量分割掩码时表现更优。

ABSTRACT

Medical image registration is a challenging task involving the estimation of spatial transformations to establish anatomical correspondence between pairs or groups of images. Recently, deep learning-based image registration methods have been widely explored, and demonstrated to enable fast and accurate image registration in a variety of applications. However, most deep learning-based registration methods assume that the deformation fields are smooth and continuous everywhere in the image domain, which is not always true, especially when registering images whose fields of view contain discontinuities at tissue/organ boundaries. In such scenarios, enforcing smooth, globally continuous deformation fields leads to incorrect/implausible registration results. We propose a novel discontinuity-preserving image registration method to tackle this challenge, which ensures globally discontinuous and locally smooth deformation fields, leading to more accurate and realistic registration results. The proposed method leverages the complementary nature of image segmentation and registration and enables joint segmentation and pair-wise registration of images. A co-attention block is proposed in the segmentation component of the network to learn the structural correlations in the input images, while a discontinuity-preserving registration strategy is employed in the registration component of the network to ensure plausibility in the estimated deformation fields at tissue/organ interfaces. We evaluate our method on the task of intra-subject spatio-temporal image registration using large-scale cinematic cardiac magnetic resonance image sequences, and demonstrate that our method achieves significant improvements over the state-of-the-art for medical image registration, and produces high-quality segmentation masks for the regions of interest.

研究动机与目标

• 解决现有基于深度学习的配准方法强制全局平滑形变场的局限性，这可能导致组织/器官边界处产生不切实际的结果。
• 开发一种联合分割与配准框架，以在保持形变场局部平滑性的同时，保留器官界面处的不连续性。
• 通过直接从训练期间的图像对中学习结构相关性，减少对预存在分割掩码的依赖。
• 在受试者内心脏电影-MRI配准中，提升配准精度与解剖合理性，特别是在心脏等具有复杂运动的区域。
• 通过生成准确、不连续性感知的形变场，实现对心脏运动与应变的鲁棒、实时量化。

提出的方法

• 采用带有协同注意力块的U-Net分割网络，以学习输入图像对之间的结构相关性，从而提升分割精度。
• 在配准分支中引入不连续性保持正则化策略，以允许局部平滑但整体不连续的形变场。
• 通过图像相似性损失（如归一化互相关）和Dice损失的分割监督，以弱监督方式训练网络。
• 采用带有跳跃连接的U-Net类架构估计形变场，通过边界感知正则化器对跨组织边界处的平滑性进行惩罚，以建模不连续性。
• 分割与配准分支联合优化，利用分割掩码指导区域级形变估计，以提升解剖一致性。
• 该框架端到端可训练，推理时无需真实形变场或预分割掩码。

实验结果

研究问题

• RQ1 联合分割与配准是否能提升心脏电影-MRI配准中形变场的精度与合理性？
• RQ2 与全局平滑形变场相比，在组织边界处强制局部平滑但整体不连续的形变场对配准性能有何影响？
• RQ3 在联合学习框架中，预测分割掩码的质量在多大程度上影响最终的配准精度？
• RQ4 弱监督深度学习模型是否能在无需预分割掩码或真实形变场的情况下实现最先进配准性能？
• RQ5 所提出方法在不同MRI扫描协议与扫描仪之间的域偏移下具有多强的鲁棒性？

主要发现

• 在三个心脏电影-MRI数据集上，SDDIR在配准精度与解剖合理性方面显著优于最先进深度学习与传统配准方法。
• 当固定图像与移动图像的分割掩码Dice分数分别高于76%（ACDC）与70%（MM）时，SDDIR实现更优的配准性能。
• 仅当预测出高质量分割掩码时，SDDIR的配准精度才超过基线网络，凸显其对分割质量的强依赖性。
• 联合学习框架通过结合固定图像与形变后移动图像的预测，生成更具解剖合理性的分割掩码。
• 由于图像外观的一致性，SDDIR在UK Biobank（UKBB）数据集上表现更优；但在外部数据集（如ACDC、MM）上，性能因域偏移而显著下降。
• 结果表明，未来改进应聚焦于域泛化能力，并减少对高质量分割掩码在准确配准中的依赖。