[论文解读] Learning Conditional Deformable Templates with Convolutional Networks

Adrian V. Dalca, Marianne Rakic+2 more|arXiv (Cornell University)|Aug 7, 2019

Advanced Numerical Analysis Techniques参考文献 65被引用 59

一句话总结

本文提出一种基于概率的、基于CNN的框架，用于学习可条件化的可变形模板，这些模板可以按属性进行条件化，实现按需模板和快速图像对齐，在MNIST/QuickDraw和大规模脑MRI数据上进行了演示。

ABSTRACT

We develop a learning framework for building deformable templates, which play a fundamental role in many image analysis and computational anatomy tasks. Conventional methods for template creation and image alignment to the template have undergone decades of rich technical development. In these frameworks, templates are constructed using an iterative process of template estimation and alignment, which is often computationally very expensive. Due in part to this shortcoming, most methods compute a single template for the entire population of images, or a few templates for specific sub-groups of the data. In this work, we present a probabilistic model and efficient learning strategy that yields either universal or conditional templates, jointly with a neural network that provides efficient alignment of the images to these templates. We demonstrate the usefulness of this method on a variety of domains, with a special focus on neuroimaging. This is particularly useful for clinical applications where a pre-existing template does not exist, or creating a new one with traditional methods can be prohibitively expensive. Our code and atlases are available online as part of the VoxelMorph library at http://voxelmorph.csail.mit.edu.

研究动机与目标

• 为分析解剖和几何变异性提供可变形模板的动机。
• 提出一种使用同胚形变和可学习条件模板的概率模型。
• 开发一个端到端神经网络，联合学习模板和形变场。
• 使按属性（如年龄、性别）作为函数的按需条件模板成为可能。
• 在基准数据集和神经影像数据集上展示其效率和实用性。

提出的方法

• 将图像表述为条件模板 t = f_theta_t(a) 的同胚形变。
• 将变形 v_i 建模为平稳速度场，并通过缩放平方法进行积分。
• 指定先验 p(V) 以促进模板的平滑性、无偏性以及保持拓扑结构的变形。
• 用高斯分布或鲁棒替代定义数据似然 p(x_i|v_i,a_i)，其中变形 x_i ≈ t ∘ φ_v_i。
• 使用两网络结构：g_t,theta_t(a_i) 输出模板；g_v,theta_v(t, x_i) 输出速度场；通过最大似然（负对数似然）损失端到端训练。
• 使用随机梯度下降进行训练，联合优化模板和形变网络；在测试时，快速生成按需模板和形变。

实验结果

研究问题

• RQ1 单个网络是否能在整个数据集上学习一个条件可变形模板？
• RQ2 将模板按属性（如年龄、性别）条件化是否能产生无偏且中心的模板，同时变形更小？
• RQ3 在模板中心性和变形规则性方面，所提方法与样本基线或解码器为基础的基线相比如何？
• RQ4 条件模板函数是否能够为未见属性配置生成解剖学上有意义的模板？
• RQ5 该框架是否能高效处理二维基准测试和三维神经影像数据？

主要发现

• 在 MNIST 变体上，条件模板更居中且所需的变形比基线更小。
• 该方法产生的变形场光滑，MSE 与基线和样本相当甚至更好。
• 在三维脑部MRI上，无条件模板和年龄/性别条件模板的 Dice 分数均高于基线图集（0.800±0.110 vs 0.795±0.116 vs 0.731±0.153）。
• 条件模板实现按需模板的快速合成（训练约1天；测试时条件化在不到一秒内）。
• 该框架捕捉到与年龄相关的解剖变异，例如脑室随年龄增大，海马体随年龄缩小，通过体积趋势得到证明。
• 潜在属性分析表明，即使属性部分缺失或未知，模型也能恢复有意义的模板表示。