Deformable multi-modal image registration for the correlation between optical measurements and histology images

要約

光学的測定値と正しい病理ラベルとの相関関係は、組織像の変形によって引き起こされる不正確な位置合わせによって妨げられることがよくあります。
この研究では、深層学習原理を利用してスナップショットの乳房標本画像を対応する組織像と位置合わせする自動マルチモーダル画像登録技術を検討します。
さまざまなモダリティを通じて取得された入力画像には、強度や構造の可視性の変化による課題があり、線形の仮定が不適切になります。
VoxelMorph モデルに基づく教師なし学習アプローチと教師あり学習アプローチが検討され、グラウンド トゥルースとして使用される手動で登録された画像を含むデータセットが利用されました。
Dice スコアや相互情報量などの評価指標から、教師なしモデルの方が教師あり (および手動によるアプローチ) よりも大幅に優れたパフォーマンスを示し、優れた画像位置合わせが実現されることがわかります。
この自動登録アプローチは、手動登録に伴う人的エラーや不一致を最小限に抑え、光学技術の検証を向上させることが期待されています。

要約(オリジナル)

The correlation of optical measurements with a correct pathology label is often hampered by imprecise registration caused by deformations in histology images. This study explores an automated multi-modal image registration technique utilizing deep learning principles to align snapshot breast specimen images with corresponding histology images. The input images, acquired through different modalities, present challenges due to variations in intensities and structural visibility, making linear assumptions inappropriate. An unsupervised and supervised learning approach, based on the VoxelMorph model, was explored, making use of a dataset with manually registered images used as ground truth. Evaluation metrics, including Dice scores and mutual information, reveal that the unsupervised model outperforms the supervised (and manual approach) significantly, achieving superior image alignment. This automated registration approach holds promise for improving the validation of optical technologies by minimizing human errors and inconsistencies associated with manual registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google