SE(3)-Equivariant and Noise-Invariant 3D Rigid Motion Tracking in Brain MRI

要約

動きを検出、補正、または考慮する必要がある多くの医用画像アプリケーションでは、厳密な動きの追跡が最も重要です。
現代の戦略は畳み込みニューラル ネットワーク (CNN) に依存しており、この問題を厳密な登録として提起しています。
ただし、CNN は、変換に対しては等価ですが (出力は入力とともにシフトします)、回転に対しては等価ではないため、このタスクでは自然な対称性を利用しません。
ここでは、モーション トラッキングに最近の操作可能な SE(3) 等変 CNN (E-CNN) を使用する最初の方法である EquiTrack を提案します。
操作可能な E-CNN は、さまざまなポーズにわたって対応する特徴を抽出できますが、ノイズの多い医療画像でテストすると、ノイズの不変性を学習するのに十分な学習能力がないことがわかります。
したがって、解剖学的に無関係な強度特徴の処理を等変空間特徴の抽出から分離するために、デノイザーと E-CNN を組み合わせたハイブリッド アーキテクチャを導入します。
次に、剛体変換は閉じた形式で推定されます。
EquiTrack は、成人脳 MRI および胎児 MRI 時系列における動作追跡の最先端の学習および最適化手法を上回ります。
私たちのコードは https://github.com/BBillot/EquiTrack で入手できます。

要約(オリジナル)

Rigid motion tracking is paramount in many medical imaging applications where movements need to be detected, corrected, or accounted for. Modern strategies rely on convolutional neural networks (CNN) and pose this problem as rigid registration. Yet, CNNs do not exploit natural symmetries in this task, as they are equivariant to translations (their outputs shift with their inputs) but not to rotations. Here we propose EquiTrack, the first method that uses recent steerable SE(3)-equivariant CNNs (E-CNN) for motion tracking. While steerable E-CNNs can extract corresponding features across different poses, testing them on noisy medical images reveals that they do not have enough learning capacity to learn noise invariance. Thus, we introduce a hybrid architecture that pairs a denoiser with an E-CNN to decouple the processing of anatomically irrelevant intensity features from the extraction of equivariant spatial features. Rigid transforms are then estimated in closed-form. EquiTrack outperforms state-of-the-art learning and optimisation methods for motion tracking in adult brain MRI and fetal MRI time series. Our code is available at https://github.com/BBillot/EquiTrack.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google