Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches

要約

この研究では、特に被験者内の変形可能な位置合わせに焦点を当て、小児神経画像処理の文脈における従来の SyN ANT と学習ベースの位置合わせ方法のパフォーマンスを評価します。
比較には、初期化なし (NR)、リジッド初期化あり (RR)、およびリジッドおよびアフィン初期化あり (RAR) の 3 つのアプローチが含まれます。
初期化に加えて、パフォーマンスは精度、速度、ペアごとの年齢間隔と性別の影響の観点から評価されます。
データは、カルガリー就学前データセットからの公開されている MRI スキャンで構成されており、これには 2 ～ 7 歳の子供 63 人が含まれており、431 の登録ペアが可能です。
DeepReg を使用して U-Net アーキテクチャで教師なし DL フレームワークを実装し、5 つの相互検証が行われました。
評価には、SynthSeg によって取得された 18 の小さな領域からの組織セグメンテーションの Dice スコア、対数ヤコビアン行列式の分析、および比例配分されたトレーニング時間と推論時間の登録が含まれます。
学習ベースのアプローチは、線形初期化の有無にかかわらず、Dice スコアの点で SyN ANT よりわずかに優れています。
実際、RR および RAR 初期化を使用した DL ベースの実装は、SyN ANT よりも大幅にパフォーマンスが優れています。
SyN ANT と DL ベースの登録にはどちらもパラメーターの最適化が含まれますが、これらの方法の選択は登録の規模によって異なります。より広いカバレッジの場合はネットワークベース、特定の構造の場合は SyN ANT です。
どちらの方法でも、成長の変化が大きくなるため、年齢間隔が長くなると課題に直面します。
主なポイントは、DL ベースの方法はより高速で正確な登録が期待できる一方、SyN ANT は大規模なトレーニングを必要とせずに堅牢かつ汎用性を維持しており、小児の状況における特定の登録ニーズに基づいた方法選択の重要性を強調しているということです。
私たちのコードは https://github.com/neuropoly/pediatric-DL-registration で入手できます。

要約(オリジナル)

This study evaluates the performance of conventional SyN ANTs and learning-based registration methods in the context of pediatric neuroimaging, specifically focusing on intrasubject deformable registration. The comparison involves three approaches: without (NR), with rigid (RR), and with rigid and affine (RAR) initializations. In addition to initialization, performances are evaluated in terms of accuracy, speed, and the impact of age intervals and sex per pair. Data consists of the publicly available MRI scans from the Calgary Preschool dataset, which includes 63 children aged 2-7 years, allowing for 431 registration pairs. We implemented the unsupervised DL framework with a U-Net architecture using DeepReg and it was 5-fold cross-validated. Evaluation includes Dice scores for tissue segmentation from 18 smaller regions obtained by SynthSeg, analysis of log Jacobian determinants, and registration pro-rated training and inference times. Learning-based approaches, with or without linear initializations, exhibit slight superiority over SyN ANTs in terms of Dice scores. Indeed, DL-based implementations with RR and RAR initializations significantly outperform SyN ANTs. Both SyN ANTs and DL-based registration involve parameter optimization, but the choice between these methods depends on the scale of registration: network-based for broader coverage or SyN ANTs for specific structures. Both methods face challenges with larger age intervals due to greater growth changes. The main takeaway is that while DL-based methods show promise with faster and more accurate registrations, SyN ANTs remains robust and generalizable without the need for extensive training, highlighting the importance of method selection based on specific registration needs in the pediatric context. Our code is available at https://github.com/neuropoly/pediatric-DL-registration

arxiv情報

提供元, 利用サービス

arxiv.jp, Google