Towards Saner Deep Image Registration

要約

最近のコンピューティング ハードウェアの進歩と深層学習アーキテクチャの急増により、学習ベースの深層画像登録手法は、メトリクスのパフォーマンスと推論時間の点で従来の対応手法を上回りました。
ただし、これらの方法は Dice などのパフォーマンス測定の改善に重点を置いているため、登録、特に医療用画像処理にとって同様に望ましいモデルの動作にはあまり注意が払われません。
この論文では、一般的な学習ベースのディープ登録のこれらの動作を健全性チェックの顕微鏡の下で調査します。
既存のレジストレーションのほとんどは、過度に最適化された画像の類似性により、逆一貫性が低く、同一のペアが区別されないという問題があることがわかりました。
これらの動作を修正するために、深層モデルに 2 つの健全性チェックを課して逆整合性エラーを削減し、同時に識別力を高める、新しい正則化ベースの健全性エンフォーサ手法を提案します。
さらに、我々は、理論的発見とパフォーマンスを犠牲にすることなくモデルの健全性を高める効果を裏付ける実験結果とともに、健全性チェックされた画像レジストレーション手法に対する一連の理論的保証を導き出しました。
コードとモデルは https://github.com/tuffr5/Saner-deep-registration で入手できます。

要約(オリジナル)

With recent advances in computing hardware and surges of deep-learning architectures, learning-based deep image registration methods have surpassed their traditional counterparts, in terms of metric performance and inference time. However, these methods focus on improving performance measurements such as Dice, resulting in less attention given to model behaviors that are equally desirable for registrations, especially for medical imaging. This paper investigates these behaviors for popular learning-based deep registrations under a sanity-checking microscope. We find that most existing registrations suffer from low inverse consistency and nondiscrimination of identical pairs due to overly optimized image similarities. To rectify these behaviors, we propose a novel regularization-based sanity-enforcer method that imposes two sanity checks on the deep model to reduce its inverse consistency errors and increase its discriminative power simultaneously. Moreover, we derive a set of theoretical guarantees for our sanity-checked image registration method, with experimental results supporting our theoretical findings and their effectiveness in increasing the sanity of models without sacrificing any performance. Our code and models are available at https://github.com/tuffr5/Saner-deep-registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google