Automatic Landmarks Correspondence Detection in Medical Images with an Application to Deformable Image Registration

要約

目的: 変形可能な画像登録 (DIR) は、画像内の対応するランドマークを使用した追加のガイダンスから恩恵を受けることができます。
ただし、特に 3 次元 (3D) 医用画像の自動ランドマーク検出方法がないため、その利点はほとんど研究されていません。
アプローチ: DCNN-Match と呼ばれるディープ畳み込みニューラル ネットワーク (DCNN) を提示します。これは、3D 画像内のランドマークの対応を自己教師付きで予測することを学習します。
シミュレートされた変形を含むコンピューター断層撮影 (CT) スキャンのペアで DCNN-Match をトレーニングしました。
異なる損失関数を使用する DCNN-Match の 5 つのバリアントを調査し、予測ランドマークの空間密度と関連するマッチング エラーに対するそれらの影響を評価しました。
また、DCNN-Match バリアントをオープンソース登録ソフトウェア Elastix と組み合わせてテストし、DIR に追加のガイダンスを提供する際の予測ランドマークの影響を評価しました。
結果: 子宮頸がん患者の下腹部 CT スキャンでアプローチをテストしました: シミュレートされた変形を含む 121 ペアと臨床的変形を示す 11 ペア。
結果は、DCNN-Match によって予測されたランドマーク対応がシミュレートされた場合 (p = $0e^0$) と臨床的変形 (p = 0.030) で使用された場合、DIR パフォーマンスの大幅な改善を示しました。
また、基になる変形に関する自動ランドマークの空間密度が、DIR の改善の程度に影響することも観察しました。
最後に、DCNN-Match は、再トレーニングを必要とせずに磁気共鳴画像 (MRI) スキャンに一般化できることがわかりました。これは、他のデータセットに簡単に適用できることを示しています。
結論: DCNN-Match は、3D 医用画像内のランドマークの対応を自己教師付きで予測することを学習し、DIR のパフォーマンスを向上させることができます。

要約(オリジナル)

Purpose: Deformable Image Registration (DIR) can benefit from additional guidance using corresponding landmarks in the images. However, the benefits thereof are largely understudied, especially due to the lack of automatic landmark detection methods for three-dimensional (3D) medical images. Approach: We present a Deep Convolutional Neural Network (DCNN), called DCNN-Match, that learns to predict landmark correspondences in 3D images in a self-supervised manner. We trained DCNN-Match on pairs of Computed Tomography (CT) scans containing simulated deformations. We explored five variants of DCNN-Match that use different loss functions and assessed their effect on the spatial density of predicted landmarks and the associated matching errors. We also tested DCNN-Match variants in combination with the open-source registration software Elastix to assess the impact of predicted landmarks in providing additional guidance to DIR. Results: We tested our approach on lower-abdominal CT scans from cervical cancer patients: 121 pairs containing simulated deformations and 11 pairs demonstrating clinical deformations. The results showed significant improvement in DIR performance when landmark correspondences predicted by DCNN-Match were used in the case of simulated (p = $0e^0$) as well as clinical deformations (p = 0.030). We also observed that the spatial density of the automatic landmarks with respect to the underlying deformation affect the extent of improvement in DIR. Finally, DCNN-Match was found to generalize to Magnetic Resonance Imaging (MRI) scans without requiring retraining, indicating easy applicability to other datasets. Conclusions: DCNN-Match learns to predict landmark correspondences in 3D medical images in a self-supervised manner, which can improve DIR performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google