Meta-Learning Initializations for Interactive Medical Image Registration

要約

インタラクティブな医用画像登録のためのメタ学習フレームワークを提示します。
私たちが提案するフレームワークは、学習ベースの医用画像登録アルゴリズム、推論時に登録を改良するユーザー操作の形式、および迅速に適応可能なネットワーク初期化を学習するメタ学習プロトコルの 3 つのコンポーネントで構成されます。
この論文では、登録、相互作用、メタ学習プロトコルを実装する特定のアルゴリズムについて説明します。このアルゴリズムは、模範的な臨床応用のために、磁気共鳴 (MR) 画像を対話的に取得し、まばらにサンプリングされた経直腸超音波 (TRUS) 画像に登録します。
私たちのアプローチは、データのほんの一部しか必要とせず、取得中にリアルタイムで発生しながら、最高のパフォーマンスを発揮する非対話型学習ベースの 3D-to-3D メソッド (3.97 mm) に匹敵する登録誤差 (4.26 mm) を取得します。
まばらにサンプリングされたデータを非インタラクティブな方法に適用すると、より高い登録エラー (6.26 mm) が得られ、インタラクティブな MR-TRUS 登録の有効性が実証されます。

要約(オリジナル)

We present a meta-learning framework for interactive medical image registration. Our proposed framework comprises three components: a learning-based medical image registration algorithm, a form of user interaction that refines registration at inference, and a meta-learning protocol that learns a rapidly adaptable network initialization. This paper describes a specific algorithm that implements the registration, interaction and meta-learning protocol for our exemplar clinical application: registration of magnetic resonance (MR) imaging to interactively acquired, sparsely-sampled transrectal ultrasound (TRUS) images. Our approach obtains comparable registration error (4.26 mm) to the best-performing non-interactive learning-based 3D-to-3D method (3.97 mm) while requiring only a fraction of the data, and occurring in real-time during acquisition. Applying sparsely sampled data to non-interactive methods yields higher registration errors (6.26 mm), demonstrating the effectiveness of interactive MR-TRUS registration, which may be applied intraoperatively given the real-time nature of the adaptation process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google