Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation

要約

変形可能な画像のレジストレーションは、医用画像解析の基本的なタスクであり、幅広い臨床応用において重要な役割を果たします。
最近、深層学習ベースのアプローチは、変形可能な医用画像登録のために広く研究されており、有望な結果を達成しています。
ただし、既存のディープ ラーニング イメージ レジストレーション技術は、理論的にはトポロジ保存変換を保証しません。
これは、解剖学的構造を維持し、実際の臨床環境で使用できるもっともらしい変換を実現するための重要な特性です。
変形可能な画像登録のための新しいフレームワークを提案します。
最初に、非線形弾性設定での等角不変プロパティに基づく新しい正則化子を紹介します。
私たちの正則化は、変形フィールドを滑らかで、反転可能で、方向を維持するように強制します。
さらに重要なことは、トポロジーの保存が臨床的に意味のある登録につながることを厳密に保証することです。
次に、登録される画像を継続的に微分可能なエンティティとして表示できる座標 MLP を通じて、レギュラーライザーのパフォーマンスを向上させます。
数値実験と視覚実験を通じて、フレームワークが現在の画像登録技術よりも優れていることを示しています。

要約(オリジナル)

Deformable image registration is a fundamental task in medical image analysis and plays a crucial role in a wide range of clinical applications. Recently, deep learning-based approaches have been widely studied for deformable medical image registration and achieved promising results. However, existing deep learning image registration techniques do not theoretically guarantee topology-preserving transformations. This is a key property to preserve anatomical structures and achieve plausible transformations that can be used in real clinical settings. We propose a novel framework for deformable image registration. Firstly, we introduce a novel regulariser based on conformal-invariant properties in a nonlinear elasticity setting. Our regulariser enforces the deformation field to be smooth, invertible and orientation-preserving. More importantly, we strictly guarantee topology preservation yielding to a clinical meaningful registration. Secondly, we boost the performance of our regulariser through coordinate MLPs, where one can view the to-be-registered images as continuously differentiable entities. We demonstrate, through numerical and visual experiments, that our framework is able to outperform current techniques for image registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google