MIRNF: Medical Image Registration via Neural Fields

要約

医用画像解析では、2つの画像間の空間的な対応関係を提供するために、画像レジストレーションが広く用いられている。近年、画像登録問題を解くために、畳み込みニューラルネットワーク（CNN）を利用した学習ベースの手法が提案されている。学習ベースの手法は、従来の最適化ベースの手法よりもはるかに高速である傾向があるが、複雑なCNNベースの手法から得られる精度の向上は控えめである。本論文では、深層ニューラルネットを用いた新しい画像登録フレームワークであるMIRNFを紹介します。MIRNFは、対応関係をNeural Fieldsを介して実装された連続関数で表現します。MIRNFは、3次元座標を入力とし、変形ベクトルまたは速度ベクトルを出力します。MIRNFの出力する速度ベクトルをNeural ODEソルバで積分し、2つの画像間の対応関係を導き出すことで、対応関係が確実に差分化されることを確認する。さらに，高相似度マッピングと低歪み変形場を実現するために，ハイブリッド座標サンプラーとカスケードアーキテクチャを提案する．我々は2つの3次元MR脳スキャンデータを用いて実験を行い，提案するフレームワークが同等の最適化時間を維持しながら，最先端のレジストレーション性能を提供することを示す．

要約(オリジナル)

Image registration is widely used in medical image analysis to provide spatial correspondences between two images. Recently learning-based methods utilizing convolutional neural networks (CNNs) have been proposed for solving image registration problems. The learning-based methods tend to be much faster than traditional optimization-based methods, but the accuracy improvements gained from the complex CNN-based methods are modest. Here we introduce a new deep-neural net-based image registration framework, named \textbf{MIRNF}, which represents the correspondence mapping with a continuous function implemented via Neural Fields. MIRNF outputs either a deformation vector or velocity vector given a 3D coordinate as input. To ensure the mapping is diffeomorphic, the velocity vector output from MIRNF is integrated using the Neural ODE solver to derive the correspondences between two images. Furthermore, we propose a hybrid coordinate sampler along with a cascaded architecture to achieve the high-similarity mapping performance and low-distortion deformation fields. We conduct experiments on two 3D MR brain scan datasets, showing that our proposed framework provides state-of-art registration performance while maintaining comparable optimization time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL