GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration

要約

深層学習ベースの変形可能な位置合わせ方法は、さまざまな医療用途で広く研究されています。
学習ベースの変形可能な位置合わせは、位置合わせの精度と変形フィールドの滑らかさをトレードオフする重み付き目的関数に依存します。
したがって、最適な登録パフォーマンスを得るには必然的にハイパーパラメーターを調整する必要があります。
ハイパーパラメータの調整は計算コストが高く、ドメイン知識への望ましくない依存関係が生じます。
この研究では、GSMorph と呼ばれる勾配手術メカニズムに基づいて登録モデルを構築し、複数の損失に対するハイパーパラメータフリーのバランスを実現します。
GSMorph では、これら 2 つの競合する項のバランスをとるためにハイパーパラメータを追加導入するのではなく、類似性損失の勾配を平滑性制約に関連付けられた平面に直角に投影することにより、最適化手順を再定式化します。
さらに、私たちの方法はモデルに依存せず、追加のパラメーターを導入したり推論を遅くしたりすることなく、あらゆる深い登録ネットワークにマージできます。
この研究では、2 つの公的に利用可能な心臓 MRI データセットに対して、私たちの方法と最先端 (SOTA) の変形可能な位置合わせアプローチを比較しました。
GSMorph は、位置合わせの精度と滑らかさの両方において、5 つの SOTA 学習ベースの位置合わせモデルおよび 2 つの従来の位置合わせ技術 (SyN および Demons) よりも優れていることが証明されています。

要約(オリジナル)

Deep learning-based deformable registration methods have been widely investigated in diverse medical applications. Learning-based deformable registration relies on weighted objective functions trading off registration accuracy and smoothness of the deformation field. Therefore, they inevitably require tuning the hyperparameter for optimal registration performance. Tuning the hyperparameters is highly computationally expensive and introduces undesired dependencies on domain knowledge. In this study, we construct a registration model based on the gradient surgery mechanism, named GSMorph, to achieve a hyperparameter-free balance on multiple losses. In GSMorph, we reformulate the optimization procedure by projecting the gradient of similarity loss orthogonally to the plane associated with the smoothness constraint, rather than additionally introducing a hyperparameter to balance these two competing terms. Furthermore, our method is model-agnostic and can be merged into any deep registration network without introducing extra parameters or slowing down inference. In this study, We compared our method with state-of-the-art (SOTA) deformable registration approaches over two publicly available cardiac MRI datasets. GSMorph proves superior to five SOTA learning-based registration models and two conventional registration techniques, SyN and Demons, on both registration accuracy and smoothness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google