Anatomy-aware and acquisition-agnostic joint registration with SynthMorph

要約

アフィン画像レジストレーションは医用画像解析の要である。古典的なアルゴリズムは優れた精度を達成できるが、時間のかかる最適化を画像ペアごとに解くことになる。ディープラーニング（DL）法は、画像ペアを出力変換にマッピングする関数を学習する。関数の評価は高速ですが、大きな変換を捉えることは困難であり、また、解像度のようにテスト画像の特性が学習領域からずれると、ネットワークは苦戦する傾向があります。ほとんどのアフィン法は解剖学に不可知であるため、アルゴリズムが画像内のすべての構造を考慮すると、レジストレーションが不正確になる。 SynthMorphは、あらゆる脳画像を前処理なしで、MRIスキャナから取り出してすぐに、アフィン変形可能なジョイントレジストレーションを行うための使いやすいDLツールである。第一に、ラベルマップから合成された乱暴に変化する画像でネットワークを訓練する戦略を活用することで、訓練時には見られなかった撮影の特異性にも頑健な性能をもたらす。次に、選択した解剖学的ラベルの空間的な重なりを最適化する。これにより、ネットワークは興味のある解剖学的構造と無関係な構造を区別することができ、解剖学的特異的レジストレーションに影響を与える内容を除外する前処理の必要性がなくなる。第三に、我々はアフィンモデルを変形可能なハイパーネットワークと組み合わせることで、ユーザが登録時に、従来の手法で必要とされる時間の何分の一かの時間で、特定のデータに最適な変形フィールドの規則性を選択できるようにする。 我々は、競合するアーキテクチャがどのようにアフィン変換を学習するかを厳密に分析し、実世界における手法の挙動を真に捕らえることを目的として、極めて多様な神経画像データセットにわたって、最先端のレジストレーションツールを比較する。SynthMorphは一貫した精度の向上を示している。これは、脳MRIのレジストレーションのための単一の完全なエンドツーエンドのソリューションとして、https://w3id.org/synthmorph。

要約(オリジナル)

Affine image registration is a cornerstone of medical-image analysis. While classical algorithms can achieve excellent accuracy, they solve a time-consuming optimization for every image pair. Deep-learning (DL) methods learn a function that maps an image pair to an output transform. Evaluating the function is fast, but capturing large transforms can be challenging, and networks tend to struggle if a test-image characteristic shifts from the training domain, such as resolution. Most affine methods are agnostic to anatomy, meaning the registration will be inaccurate if algorithms consider all structures in the image. We address these shortcomings with SynthMorph, an easy-to-use DL tool for joint affine-deformable registration of any brain image without preprocessing, right off the MRI scanner. First, we leverage a strategy to train networks with wildly varying images synthesized from label maps, yielding robust performance across acquisition specifics unseen at training. Second, we optimize the spatial overlap of select anatomical labels. This enables networks to distinguish anatomy of interest from irrelevant structures, removing the need for preprocessing that excludes content which would impinge on anatomy-specific registration. Third, we combine the affine model with a deformable hypernetwork that lets users choose the optimal deformation-field regularity for their specific data, at registration time, in a fraction of the time required by classical methods. We rigorously analyze how competing architectures learn affine transforms and compare state-of-the-art registration tools across an extremely diverse set of neuroimaging data, aiming to truly capture the behavior of methods in the real world. SynthMorph demonstrates consistent and improved accuracy. It is available at https://w3id.org/synthmorph, as a single complete end-to-end solution for registration of brain MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL