Learning Physics-Inspired Regularization for Medical Image Registration with Hypernetworks

要約

医用画像レジストレーションは、同じ解剖学的領域の画像間の空間変形を特定することを目的としており、画像ベースの診断と治療の基礎となります。
現在まで、深層学習ベースの登録方法の大部分は、拡散正則化など、グローバルな空間平滑性を強制する正則化を採用しています。
ただし、このような正則化子はデータに合わせて調整されていないため、基礎となる複雑な変形を反映できない可能性があります。
対照的に、物理学にインスピレーションを得た正則化機能は、物理的に妥当な変形を促進します。
このような正則化器の 1 つは、弾性材料の変形をモデル化する線形弾性正則化器です。
これらのレギュラライザーは、マテリアルの物理的特性を定義するパラメーターによって駆動されます。
生物組織の場合、そのようなパラメータの広範囲の推定値が文献で見つかりますが、登録を成功させるための適切なパラメータ値を特定することは依然として未解決の課題です。
この問題を克服し、物理特性を学習ベースの登録に組み込むために、結果として生じる空間変形フィールドに対する物理学にインスピレーションを得た正則化装置の物理パラメーターの影響を学習するハイパーネットワークを使用することを提案します。
特に、線形弾性正則化器の 2 つの弾性パラメータの効果を学習するために HyperMorph フレームワークを適応させます。
私たちのアプローチにより、テスト時に適切なデータ固有の物理パラメーターを効率的に発見できます。

要約(オリジナル)

Medical image registration aims at identifying the spatial deformation between images of the same anatomical region and is fundamental to image-based diagnostics and therapy. To date, the majority of the deep learning-based registration methods employ regularizers that enforce global spatial smoothness, e.g., the diffusion regularizer. However, such regularizers are not tailored to the data and might not be capable of reflecting the complex underlying deformation. In contrast, physics-inspired regularizers promote physically plausible deformations. One such regularizer is the linear elastic regularizer which models the deformation of elastic material. These regularizers are driven by parameters that define the material’s physical properties. For biological tissue, a wide range of estimations of such parameters can be found in the literature and it remains an open challenge to identify suitable parameter values for successful registration. To overcome this problem and to incorporate physical properties into learning-based registration, we propose to use a hypernetwork that learns the effect of the physical parameters of a physics-inspired regularizer on the resulting spatial deformation field. In particular, we adapt the HyperMorph framework to learn the effect of the two elasticity parameters of the linear elastic regularizer. Our approach enables the efficient discovery of suitable, data-specific physical parameters at test time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google