On-the-Fly Guidance Training for Medical Image Registration

要約

この研究では、学習ベースの画像レジストレーションの領域における新しいアプローチを探求し、弱教師ありおよび教師なしの手法に固有の制限に対処します。
弱く教師ありの手法は希少なラベル付きデータに大きく依存しますが、教師なしの戦略は画像の類似性による間接的な精度の尺度に依存します。
特に、医療画像処理では正確な変形グラウンドトゥルースが欠如しているため、従来の教師あり学習は利用されていません。
私たちの研究では、既存のモデルを強化するために、オンザフライ ガイダンス (OFG) を備えた独自のトレーニング フレームワークを導入しました。
このフレームワークは、トレーニング中に、カスタム オプティマイザーを使用して現在の変形予測を調整することにより、数ステップ先の疑似グラウンド トゥルースを生成します。
この疑似グラウンド トゥルースは、教師あり学習コンテキストでモデルを直接監視する役割を果たします。
このプロセスには、限られたステップ数で予測された変形を最適化し、トレーニング効率を確保し、各トレーニング フェーズで達成可能な目標を設定することが含まれます。
OFG は、学習ベースの方法の速度を維持しながら、既存の画像レジストレーション技術の精度を著しく向上させます。
確立された登録モデルからの予測や最適化された出力など、さまざまな疑似グラウンド トゥルース生成戦略を使用してアプローチを評価しました。
私たちの実験は 3 つのベンチマーク データセットと 3 つの最先端のモデルに及び、OFG はこの分野のこれまでの最先端技術を上回る、大幅で一貫した機能強化を実証しました。
OFG は、学習ベースの画像登録モデルのトレーニング効果を高める、簡単に統合可能なプラグアンドプレイ ソリューションを提供します。
コードは https://github.com/miraclefactory/on-the-fly-guidance にあります。

要約(オリジナル)

This research explores a novel approach in the realm of learning-based image registration, addressing the limitations inherent in weakly-supervised and unsupervised methods. Weakly-supervised techniques depend heavily on scarce labeled data, while unsupervised strategies rely on indirect measures of accuracy through image similarity. Notably, traditional supervised learning is not utilized due to the lack of precise deformation ground-truth in medical imaging. Our study introduces a unique training framework with On-the-Fly Guidance (OFG) to enhance existing models. This framework, during training, generates pseudo-ground truth a few steps ahead by refining the current deformation prediction with our custom optimizer. This pseudo-ground truth then serves to directly supervise the model in a supervised learning context. The process involves optimizing the predicted deformation with a limited number of steps, ensuring training efficiency and setting achievable goals for each training phase. OFG notably boosts the precision of existing image registration techniques while maintaining the speed of learning-based methods. We assessed our approach using various pseudo-ground truth generation strategies, including predictions and optimized outputs from established registration models. Our experiments spanned three benchmark datasets and three cutting-edge models, with OFG demonstrating significant and consistent enhancements, surpassing previous state-of-the-arts in the field. OFG offers an easily integrable plug-and-play solution to enhance the training effectiveness of learning-based image registration models. Code at https://github.com/miraclefactory/on-the-fly-guidance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google