要約
近年のディープラーニングを用いた医用画像登録手法は、従来の最適化アルゴリズムに匹敵する結果を、実行時間を短縮して達成しています。しかし、ディープニューラルネットワークは一般的にラベル付けされた多くのトレーニングデータを必要とし、トレーニングデータとテストデータ間のドメインシフトに脆弱である。典型的な強度シフトはキーポイントベースのレジストレーションで軽減できるが、これらの方法は、例えば異なる視野による幾何学的なドメインシフトに依然として悩まされている。この問題を解決するために、本研究では、ラベル付けされたソース領域からラベル付けされていないターゲット領域へモデルを適応させる、画像登録のための幾何学的領域適応の新しいアプローチを提示する。我々は、幾何学的特徴学習のためのグラフ畳み込みとルーピー信念最適化を組み合わせたキーポイントベースの登録モデルを構築し、自己組織化により領域シフトを低減することを提案する。この目的のために、我々はこのモデルをMean Teacherのパラダイムに埋め込む。1)確率的増強スキームを適応し、2)学習された特徴抽出と微分可能な最適化を組み合わせることで、Mean Teacherをこの文脈に拡張する。これにより、学習生徒と時間的に平均化された教師モデルの一貫した予測を強制することで、ラベルのないターゲット領域での学習プロセスをガイドすることが可能となる。我々は、2つの困難な適応シナリオ（DIR-Lab 4D CTからCOPD、COPDからLearn2Reg）において、呼気から呼気への肺CT登録のために本手法を評価した。本手法は、ベースラインモデルを50%/47%改善し、ターゲットデータで学習したモデルの精度にさえ匹敵する。ソースコードは https://github.com/multimodallearning/registration-da-mean-teacher で公開されています。
要約(オリジナル)
Recent deep learning-based methods for medical image registration achieve results that are competitive with conventional optimization algorithms at reduced run times. However, deep neural networks generally require plenty of labeled training data and are vulnerable to domain shifts between training and test data. While typical intensity shifts can be mitigated by keypoint-based registration, these methods still suffer from geometric domain shifts, for instance, due to different fields of view. As a remedy, in this work, we present a novel approach to geometric domain adaptation for image registration, adapting a model from a labeled source to an unlabeled target domain. We build on a keypoint-based registration model, combining graph convolutions for geometric feature learning with loopy belief optimization, and propose to reduce the domain shift through self-ensembling. To this end, we embed the model into the Mean Teacher paradigm. We extend the Mean Teacher to this context by 1) adapting the stochastic augmentation scheme and 2) combining learned feature extraction with differentiable optimization. This enables us to guide the learning process in the unlabeled target domain by enforcing consistent predictions of the learning student and the temporally averaged teacher model. We evaluate the method for exhale-to-inhale lung CT registration under two challenging adaptation scenarios (DIR-Lab 4D CT to COPD, COPD to Learn2Reg). Our method consistently improves on the baseline model by 50%/47% while even matching the accuracy of models trained on target data. Source code is available at https://github.com/multimodallearning/registration-da-mean-teacher.
arxiv情報
| 著者 | Alexander Bigalke,Lasse Hansen,Mattias P. Heinrich |
| 発行日 | 2022-07-01 12:16:42+00:00 |
| arxivサイト | arxiv_id(pdf) |