Robust deformable image registration using cycle-consistent implicit representations

要約

最近の医用画像登録の研究では、暗黙的神経表現の使用が提案され、最先端の学習ベースの手法に匹敵する性能を示している。しかし、これらの陰的表現は、新しい画像ペア毎に最適化される必要があり、確率的なプロセスであるため、グローバルミニマムに収束しない可能性がある。ロバスト性を向上させるために、我々はサイクル整合的な暗黙的神経表現のペアを用いた変形可能なレジストレーション法を提案する：各暗黙的表現は、反対の変換を推定する2番目の暗黙的表現とリンクしており、各ネットワークは、そのペアになった反対の変換の正則化子として働く。推論中、ペアとなる逆変換を数値的に反転させ、最適化されたペアのコンセンサスを評価することで、複数の変形推定値を生成する。このコンセンサスにより、単一の表現を用いるよりもレジストレーション精度が向上し、自動品質管理に用いることができるロバストな不確実性メトリックが得られる。本手法を4次元肺CTデータセットで評価する。提案するサイクルコンシステント最適化法は、現在の最新技術と比較して、最適化の失敗率を2.4%から0.0%に低減する。提案する推論手法はランドマーク精度を4.5%向上させ、提案する不確実性指標は、レジストレーション手法が正しい解に収束しない全ての事例を検出する。腹部4次元MRIにおける中心線伝播タスクを用いて、これらの結果の他のデータへの一般化可能性を検証したところ、我々の手法は単一INRレジストレーションと比較して伝播の一貫性において46%の改善を達成し、提案する不確実性メトリックとレジストレーション精度との間に強い相関があることを実証した。

要約(オリジナル)

Recent works in medical image registration have proposed the use of Implicit Neural Representations, demonstrating performance that rivals state-of-the-art learning-based methods. However, these implicit representations need to be optimized for each new image pair, which is a stochastic process that may fail to converge to a global minimum. To improve robustness, we propose a deformable registration method using pairs of cycle-consistent Implicit Neural Representations: each implicit representation is linked to a second implicit representation that estimates the opposite transformation, causing each network to act as a regularizer for its paired opposite. During inference, we generate multiple deformation estimates by numerically inverting the paired backward transformation and evaluating the consensus of the optimized pair. This consensus improves registration accuracy over using a single representation and results in a robust uncertainty metric that can be used for automatic quality control. We evaluate our method with a 4D lung CT dataset. The proposed cycle-consistent optimization method reduces the optimization failure rate from 2.4% to 0.0% compared to the current state-of-the-art. The proposed inference method improves landmark accuracy by 4.5% and the proposed uncertainty metric detects all instances where the registration method fails to converge to a correct solution. We verify the generalizability of these results to other data using a centerline propagation task in abdominal 4D MRI, where our method achieves a 46% improvement in propagation consistency compared with single-INR registration and demonstrates a strong correlation between the proposed uncertainty metric and registration accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL