Fine-Tuning TransMorph with Gradient Correlation for Anatomical Alignment

要約

教師なしディープラーニングは、解剖学的に正確な変換を達成しながら、解剖学的ラベルへの依存を減らす、脳 MRI 登録における有望な方法です。
Learn2Reg2024 LUMIR チャレンジでは、事前トレーニングされた TransMorph モデルを微調整して、収束の安定性と変形の滑らかさを改善することを提案します。
前者は FAdam オプティマイザーによって実現され、類似性尺度に勾配相関を追加することで構造変化の一貫性が組み込まれ、解剖学的位置合わせが改善されます。
結果は、ベースライン TransMorph モデルと比較して、Dice および HdDist95 スコアがわずかに改善され、NDV が顕著に減少したことを示しています。
これらは、組織の境界を検査することによっても確認されます。
私たちが提案した方法は、患者間の脳 MRI 登録において、より滑らかで構造的に一貫した変形を実現するために勾配相関を組み込むことの有効性を強調しています。

要約(オリジナル)

Unsupervised deep learning is a promising method in brain MRI registration to reduce the reliance on anatomical labels, while still achieving anatomically accurate transformations. For the Learn2Reg2024 LUMIR challenge, we propose fine-tuning of the pre-trained TransMorph model to improve the convergence stability as well as the deformation smoothness. The former is achieved through the FAdam optimizer, and consistency in structural changes is incorporated through the addition of gradient correlation in the similarity measure, improving anatomical alignment. The results show slight improvements in the Dice and HdDist95 scores, and a notable reduction in the NDV compared to the baseline TransMorph model. These are also confirmed by inspecting the boundaries of the tissue. Our proposed method highlights the effectiveness of including Gradient Correlation to achieve smoother and structurally consistent deformations for interpatient brain MRI registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google