NPBDREG: Uncertainty Assessment in Diffeomorphic Brain MRI Registration using a Non-parametric Bayesian Deep-Learning Based Approach

要約

深層神経回路網（DNN）ベースの画像登録アルゴリズムにおける不確実性の定量化は、研究指向の処理パイプラインと同様に、手術計画、術中誘導、および疾患の進行または治療効果の長期的モニタリングなどの臨床アプリケーションのための画像登録アルゴリズムの展開において重要な役割を担っている。DNNベースの画像登録アルゴリズムにおける不確実性推定のための現在利用可能なアプローチは、登録潜在空間の仮定されたパラメトリック分布に対する登録ステムの不確実性の潜在的に不正確な推定のために、最適でない臨床的意思決定をもたらすかもしれない。我々は、DNNベースの変形画像登録における不確実性推定のための完全ノンパラメトリックベイズフレームワークであるNPBDREGを導入する。これは、事後サンプリングによって基礎となる事後分布を特徴付けるために、アダムオプティマイザと確率勾配ランジュバン力学（SGLD）を結合させるものである。したがって、分布外データの存在と相関の高い不確実性推定値を提供する可能性を持つ。我々は、4つの公開データベースからの$390$の画像ペアを用いて、ベースラインの確率的VoxelMorphモデル（PrVXM）と比較したNPBDREGの付加価値を、脳MRI画像登録で実証した。MGH10、CMUC12、ISBR18、LPBA40の4つの公開データベースから$390$の画像ペアを用いて、脳MRI画像のレジストレーションを行った。NPBDREGは、分布外データとの予測誤差の相関が高く（$r>0.95$ 対 $r<0.5$ ）、レジストレーション精度が7.3%向上し（Dice score, $0.74$ 対 $0.69$, $p \ll 0.01$ ）、レジストレーション滑らかさが18%（変形フィールドの折り目の割合, 0.014 対 0.017, $p \ll 0.01$ ）改善されることが確認された。また、NPBDREGはベースラインのPrVXMアプローチと比較して、混合構造ノイズに汚染されたデータに対する汎化能力が向上した（Dice score: $0.73$ vs. $0.69$, $p \ll 0.01$）。

要約(オリジナル)

Quantification of uncertainty in deep-neural-networks (DNN) based image registration algorithms plays a critical role in the deployment of image registration algorithms for clinical applications such as surgical planning, intraoperative guidance, and longitudinal monitoring of disease progression or treatment efficacy as well as in research-oriented processing pipelines. Currently available approaches for uncertainty estimation in DNN-based image registration algorithms may result in sub-optimal clinical decision making due to potentially inaccurate estimation of the uncertainty of the registration stems for the assumed parametric distribution of the registration latent space. We introduce NPBDREG, a fully non-parametric Bayesian framework for uncertainty estimation in DNN-based deformable image registration by combining an Adam optimizer with stochastic gradient Langevin dynamics (SGLD) to characterize the underlying posterior distribution through posterior sampling. Thus, it has the potential to provide uncertainty estimates that are highly correlated with the presence of out of distribution data. We demonstrated the added-value of NPBDREG, compared to the baseline probabilistic VoxelMorph model (PrVXM), on brain MRI image registration using $390$ image pairs from four publicly available databases: MGH10, CMUC12, ISBR18 and LPBA40. The NPBDREG shows a better correlation of the predicted uncertainty with out-of-distribution data ($r>0.95$ vs. $r<0.5$) as well as a 7.3%improvement in the registration accuracy (Dice score, $0.74$ vs. $0.69$, $p \ll 0.01$), and 18% improvement in registration smoothness (percentage of folds in the deformation field, 0.014 vs. 0.017, $p \ll 0.01$). Finally, NPBDREG demonstrated a better generalization capability for data corrupted by a mixed structure noise (Dice score of $0.73$ vs. $0.69$, $p \ll 0.01$) compared to the baseline PrVXM approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL