[论文解读] Learning Structured Deformations using Diffeomorphic Registration

Julian Krebs, Tommaso Mansi+3 more|arXiv (Cornell University)|Apr 19, 2018

Medical Image Segmentation Techniques被引用 7

一句话总结

该论文提出了一种微分同胚配准方法，通过条件变分自编码器（CVAE）学习低维、结构化的形变参数化表示，以概率性约束替代传统正则化方法。该方法在心脏和脑部MRI数据集上实现了最先进的配准精度，同时支持解剖结构无关的形变传输，并在学习到的潜在空间中实现有意义的疾病聚类。

ABSTRACT

Studying organ motion or pathology progression is an important task in diagnosis and therapy of various diseases. Typically, this task is approached by deformable registration of successive images followed by the analysis of the resulting deformation field(s). Most registration methods require prior knowledge in the form of regularization of the image transformation which is often sensitive to tuneable parameters. Alternatively, we present a registration approach which learns a low-dimensional stochastic parametrization of the deformation -- unsupervised, by looking at images. Hereby, spatial regularization is replaced by a constraint on this parameter space to follow a prescribed probabilistic distribution, by using a conditional variational autoencoder (CVAE). This leads to a generative model designed to be structured and more anatomy-invariant which makes the deformation encoding potentially useful for analysis tasks like the transport of deformations. We also constrain the deformations to be diffeomorphic using a new differentiable exponentiation layer. We used data sets of 330 cardiac and 1000 brain images and demonstrate accurate registration results comparable to two state-of-the-art methods. Besides, we evaluate the learned deformation encoding in two preliminary experiments: 1) We illustrate the model's anatomy-invariance by transporting the encoded deformations from one subject to another. 2) We evaluate the structure of the encoding space by clustering diseases.

研究动机与目标

• 为解决传统可变形配准对可调正则化参数的敏感性问题，通过数据学习结构化的形变先验。
• 提升医学图像分析中形变建模的解剖结构不变性与泛化能力。
• 实现在无显式正则化条件下的精确、可微分且微分同胚的图像配准。
• 开发一种形变的生成模型，支持形变传输和疾病聚类等下游任务。

提出的方法

• 训练条件变分自编码器（CVAE）以直接从图像对中学习低维随机形变参数化表示。
• 约束CVAE的潜在空间遵循预设的概率分布（如高斯分布），通过潜在先验隐式实现空间正则化。
• 引入一种新型可微指数映射层，确保所有生成的形变均为微分同胚，保持拓扑一致性。
• 采用端到端训练，损失函数包括图像重建损失和KL散度损失，形变场由向量场的指数映射生成。
• 形变场作为学习到的向量场的指数生成，确保变换的平滑性与可逆性。
• 通过在不同受试者之间转移潜在码，实现零样本形变传输，支持解剖结构无关的形变传输。

实验结果

研究问题

• RQ1 深度生成模型能否在无显式正则化条件下，学习到结构化且解剖结构无关的形变先验？
• RQ2 基于CVAE的潜在空间在不同解剖结构和受试者间泛化能力如何？
• RQ3 所学形变表示在受试者间形变传输方面能支持到何种程度？
• RQ4 该形变模型的潜在空间能否捕捉到如疾病进展等生物上具有意义的模式？
• RQ5 与最先进的微分同胚配准技术相比，该方法在精度上表现如何？

主要发现

• 该方法在330例心脏MRI和1000例脑部MRI数据集上的配准精度与两种最先进的方法相当。
• 所学形变表示成功实现了从一个受试者到另一个受试者的形变传输，验证了其解剖结构无关性。
• 潜在空间中的聚类揭示了疾病有意义的分组，表明病理模式具有结构性组织。
• 可微指数映射层确保所有形变均为微分同胚，保持了拓扑一致性。
• 通过将空间约束嵌入潜在分布，减少了对手动调参正则化参数的依赖。
• 基于CVAE的参数化方法实现了复杂器官形变的紧凑、可解释且可生成的建模。