Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation

要約

変形可能な画像の位置合わせは、医用画像解析の基本的なタスクであり、幅広い臨床応用で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が変形可能な医療画像登録のために広く研究されており、有望な結果が得られています。
ただし、既存の深層学習画像登録技術では、理論的にはトポロジーを保持した変換が保証されていません。
これは、解剖学的構造を保存し、実際の臨床現場で使用できる妥当な変換を達成するための重要な特性です。
変形可能な画像位置合わせのための新しいフレームワークを提案します。
まず、非線形弾性設定における共形不変特性に基づく新しい正則化子を導入します。
私たちのレギュラライザーは、変形フィールドを滑らかで、反転可能で、方向を保持するように強制します。
さらに重要なことは、臨床的に意味のある登録をもたらすトポロジーの保存を厳密に保証することです。
次に、座標 MLP を通じて正則化器のパフォーマンスを向上させます。これにより、登録される画像を連続微分可能なエンティティとして見ることができます。
私たちは、数値実験と視覚実験を通じて、私たちのフレームワークが現在の画像レジストレーション技術を上回るパフォーマンスを発揮できることを実証します。

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