[论文解读] Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans

Xinzi He, Jia Guo+10 more|arXiv (Cornell University)|Jun 14, 2021

Lung Cancer Diagnosis and Treatment参考文献 24被引用 9

一句话总结

该论文提出了一种递归精炼网络（RRN），用于在呼气和吸气CT扫描之间进行无监督3D可变形肺部配准，利用多尺度特征金字塔、归一化局部代价相关体积以及变形矢量场的递归精炼。RRN在DirLab COPDGene数据集上实现了0.83 mm的最先进平均目标配准误差（TRE），相比之前最佳排行榜结果降低了13%的误差，相较于VoxelMorph更是降低了89%。

ABSTRACT

Unsupervised learning-based medical image registration approaches have witnessed rapid development in recent years. We propose to revisit a commonly ignored while simple and well-established principle: recursive refinement of deformation vector fields across scales. We introduce a recursive refinement network (RRN) for unsupervised medical image registration, to extract multi-scale features, construct normalized local cost correlation volume and recursively refine volumetric deformation vector fields. RRN achieves state of the art performance for 3D registration of expiratory-inspiratory pairs of CT lung scans. On DirLab COPDGene dataset, RRN returns an average Target Registration Error (TRE) of 0.83 mm, which corresponds to a 13% error reduction from the best result presented in the leaderboard. In addition to comparison with conventional methods, RRN leads to 89% error reduction compared to deep-learning-based peer approaches.

研究动机与目标

• 提升在不同呼吸阶段采集的3D肺部CT扫描图像无监督可变形图像配准的精度。
• 解决现有基于深度学习的配准方法的局限性，如高内存占用、在大形变下表现不佳以及特征表示不理想等问题。
• 重新审视并利用跨多尺度特征的递归精炼原理，以在保持计算效率的同时提升配准精度。
• 开发一种可泛化的框架，在无需肺部分割掩码的情况下，优于现有方法在具有挑战性的肺部CT配准任务上的表现。

提出的方法

• 该方法采用基于孪生CNN的特征金字塔提取器，从移动和固定CT图像中生成多尺度特征，通过共享权重确保特征空间的一致对齐。
• 从特征金字塔构建归一化的局部代价相关体积，相比形变后的特征，该方法能提供更具判别性且内存更高效的形变搜索空间表示。
• 递归精炼机制在金字塔层级上从粗到细逐步迭代优化变形矢量场（DVFs），从而更准确地处理大范围肺部形变。
• 每一层级的DVF估计器均为轻量化、共享权重的网络，利用代价相关体积和多尺度特征预测或精炼DVF。
• 网络采用无监督方式训练，使用体素相似性损失，无需真实变形场或肺部掩码。
• 该架构设计为内存高效，对于256³体素输入仅需12GB GPU内存，显著低于VoxelMorph的22GB。

实验结果

研究问题

• RQ1 与单阶段或级联方法相比，跨多尺度特征的递归精炼是否能提升无监督3D肺部CT配准的精度？
• RQ2 与直接特征拼接或形变后的特征相比，使用归一化的局部代价相关体积是否能提供更优的形变场表示？
• RQ3 与现有基于深度学习的配准模型相比，轻量化且共享权重的网络设计是否能在降低内存消耗和参数量的同时实现更优性能？
• RQ4 在具有大呼吸形变的现实世界COPDGene数据集上，该方法与最先进优化方法及学习方法相比表现如何？

主要发现

• RRN在DirLab COPDGene数据集上实现了0.83 mm的最先进平均目标配准误差（TRE），相比排行榜上之前最佳结果降低了13%。
• 与领先的无监督深度学习配准基线VoxelMorph相比，该方法将TRE降低了89%。
• RRN在10个测试案例中表现出更优的泛化能力，标准差仅为0.15，表明性能稳定一致。
• 消融实验表明，代价相关体积和递归精炼组件至关重要，若移除它们，TRE将从0.83 mm上升至1.10 mm。
• 对于256³输入，RRN仅需12GB GPU内存，相比VoxelMorph的22GB降低了45%，展现出极高的内存效率。
• 该方法无需肺部分割掩码，而与多个最先进方法不同，仍实现了最高精度，表明其具有强鲁棒性和泛化能力。