Collaborative Quantization Embeddings for Intra-Subject Prostate MR Image Registration

要約

画像レジストレーションは、前立腺癌患者からの縦方向のMR画像の形態学的変化を定量化するのに役立ちます。
このホワイトペーパーでは、学習ベースの登録アルゴリズムを改善するための開発について説明します。この困難な臨床アプリケーションでは、多くの場合、変動が大きく、トレーニングデータが限られています。
まず、潜在空間は、訓練された登録ネットワークの深層でボトルネック機能として一般的に見られるものよりもはるかに低次元の空間にクラスター化できることを報告します。
この観察に基づいて、登録ネットワークの一般化を改善するために、制約されたサイズで共同訓練された辞書を使用して学習された特徴ベクトルを離散化する階層的量子化方法を提案します。
さらに、新しい協調辞書は、腺または他の関心領域のセグメンテーションなどの追加の事前情報を潜在的な量子化空間に組み込むために独立して最適化されます。
86人の前立腺癌患者からの216の実際の臨床画像に基づいて、設計された両方のコンポーネントの有効性を示します。
腺のダイスと対応するランドマークのターゲット登録エラーの両方に関して、統計的に有意な改善された登録精度が得られました。後者は5.46 mmを達成し、量子化なしのベースラインから28.7 \％の改善を達成しました。
実験結果は、トレーニングデータとテストデータの間でパフォーマンスの違いが実際に最小化されたことも示しています。

要約(オリジナル)

Image registration is useful for quantifying morphological changes in longitudinal MR images from prostate cancer patients. This paper describes a development in improving the learning-based registration algorithms, for this challenging clinical application often with highly variable yet limited training data. First, we report that the latent space can be clustered into a much lower dimensional space than that commonly found as bottleneck features at the deep layer of a trained registration network. Based on this observation, we propose a hierarchical quantization method, discretizing the learned feature vectors using a jointly-trained dictionary with a constrained size, in order to improve the generalisation of the registration networks. Furthermore, a novel collaborative dictionary is independently optimised to incorporate additional prior information, such as the segmentation of the gland or other regions of interest, in the latent quantized space. Based on 216 real clinical images from 86 prostate cancer patients, we show the efficacy of both the designed components. Improved registration accuracy was obtained with statistical significance, in terms of both Dice on gland and target registration error on corresponding landmarks, the latter of which achieved 5.46 mm, an improvement of 28.7\% from the baseline without quantization. Experimental results also show that the difference in performance was indeed minimised between training and testing data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google