[论文解读] SUGAR: Spherical Ultrafast Graph Attention Framework for Cortical Surface Registration

Jianxun Ren, Ning An+13 more|arXiv (Cornell University)|Jul 2, 2023

Acute Ischemic Stroke ManagementMedicine被引用 3

一句话总结

SUGAR 是一种新颖的无监督深度学习框架，用于皮层表面配准，采用基于 U-Net 的球面图注意力网络，并通过欧拉角建模形变。该方法每名受试者处理时间低于一秒——比传统方法快约 12,000 倍——同时在来自 7 个数据集的 10,000 余次扫描中，实现与最先进方法相当或更优的精度和形变控制。

ABSTRACT

Cortical surface registration plays a crucial role in aligning cortical functional and anatomical features across individuals. However, conventional registration algorithms are computationally inefficient. Recently, learning-based registration algorithms have emerged as a promising solution, significantly improving processing efficiency. Nonetheless, there remains a gap in the development of a learning-based method that exceeds the state-of-the-art conventional methods simultaneously in computational efficiency, registration accuracy, and distortion control, despite the theoretically greater representational capabilities of deep learning approaches. To address the challenge, we present SUGAR, a unified unsupervised deep-learning framework for both rigid and non-rigid registration. SUGAR incorporates a U-Net-based spherical graph attention network and leverages the Euler angle representation for deformation. In addition to the similarity loss, we introduce fold and multiple distortion losses, to preserve topology and minimize various types of distortions. Furthermore, we propose a data augmentation strategy specifically tailored for spherical surface registration, enhancing the registration performance. Through extensive evaluation involving over 10,000 scans from 7 diverse datasets, we showed that our framework exhibits comparable or superior registration performance in accuracy, distortion, and test-retest reliability compared to conventional and learning-based methods. Additionally, SUGAR achieves remarkable sub-second processing times, offering a notable speed-up of approximately 12,000 times in registering 9,000 subjects from the UK Biobank dataset in just 32 minutes. This combination of high registration performance and accelerated processing time may greatly benefit large-scale neuroimaging studies.

研究动机与目标

• 解决大规模神经影像学研究中对计算高效且精确的皮层表面配准的迫切需求。
• 克服传统配准方法的局限性，尽管精度高，但处理大规模数据集时速度过慢。
• 通过在配准中同时实现高速度与高保真度，弥合深度学习的表征能力与实际部署之间的差距。
• 开发一个统一框架，支持在球面皮层表面上进行刚性与非刚性配准。
• 通过专用损失函数和数据增强策略，最小化配准过程中的拓扑形变与几何不一致性。

提出的方法

• 提出一种基于 U-Net 的球面图注意力网络，利用球面网格上的图卷积层对皮层表面几何进行建模。
• 采用欧拉角表示形变场，以确保非刚性变换的平滑性、可微性与可解释性。
• 引入多分量损失函数，结合相似性损失、折叠损失及多种形变损失，以保持拓扑结构并最小化几何形变。
• 采用一种针对球面表面量身定制的新颖数据增强策略，提升训练过程中的泛化能力与鲁棒性。
• 采用无监督训练范式，无需真实形变标签，仅依赖图像相似性与几何正则化。
• 应用基于球面谐波的预处理方法，以稳定输入表示并提升训练收敛性。

实验结果

研究问题

• RQ1 基于深度学习的框架是否能在皮层表面数据上同时实现低于一秒的处理时间与最先进水平的配准精度？
• RQ2 所提出的球面图注意力网络在捕捉复杂皮层形态方面，相较于传统方法效果如何？
• RQ3 折叠损失与形变损失在非刚性配准中，对提升拓扑保真度与几何精度的贡献程度如何？
• RQ4 所提出的数据增强策略是否能显著提升模型在多样化神经影像数据集上的泛化能力？
• RQ5 SUGAR 在多次重复扫描中的测试-重测可靠性与一致性表现如何？

主要发现

• SUGAR 实现每名受试者处理时间低于一秒，在 32 分钟内完成对 9,000 名 UK Biobank 受试者的配准，相比传统方法提速约 12,000 倍。
• 该框架在 7 个多样化数据集上表现出与最先进传统方法及学习型方法相当或更优的配准精度。
• 引入折叠损失与形变损失显著减少了拓扑错误与几何形变，提升了配准的可靠性。
• 测试-重测可靠性分析显示，重复扫描间具有高度一致性，证实了所学习变换的鲁棒性与稳定性。
• 所提出的数据增强策略通过减少过拟合并增强在不同成像协议与受试者间的泛化能力，提升了配准性能。
• SUGAR 在不同人群与扫描协议下均保持高性能，表明其在真实神经影像应用中具备强大的泛化能力。