Spatial regularisation for improved accuracy and interpretability in keypoint-based registration

要約

監視されていない登録戦略は、固定ボリュームと移動されたボリューム間の類似性メトリックを最適化することにより、グラウンドトゥルースの変換またはセグメンテーションの要件をバイパスします。
これらの方法の中で、監視されていないキーポイント検出に基づいたアプローチの最近のサブクラスは、解釈可能性を非常に有望であると際立っています。
具体的には、これらのメソッドは、固定および移動する画像の機能マップを予測するためのネットワークをトレーニングします。この画像は、説明可能な質量の中心を計算して点雲を取得し、閉じた形状で整列します。
ただし、ネットワークによって返される機能は、多くの場合、解釈が難しい空間的に拡散したパターンを生成し、キーポイントベースの登録の目的を損なうことがよくあります。
ここでは、機能の空間分布を正規化するために3倍の損失を提案します。
まず、KL Divergenceを使用して、確率的キーポイントとして解釈するポイントスプレッド関数として特徴をモデル化します。
次に、これらの機能の空間分布をシャープにして、検出されたランドマークの精度を高めます。
最後に、空間的多様性を促進するために、キーポイント全体に新しい反発的損失を導入します。
全体として、私たちの損失は、現在では正確で解剖学的に意味のあるランドマークに対応する機能の解釈可能性を大幅に改善します。
胎児の剛性モーショントラッキングと脳MRIアフィン登録タスクの3つの損失を示します。ここでは、最先端の非監視されていない戦略を上回るだけでなく、最先端の監視方法でギャップを埋めます。
当社のコードは、https：//github.com/benbillot/spatial_ reguliveisationで入手できます。

要約(オリジナル)

Unsupervised registration strategies bypass requirements in ground truth transforms or segmentations by optimising similarity metrics between fixed and moved volumes. Among these methods, a recent subclass of approaches based on unsupervised keypoint detection stand out as very promising for interpretability. Specifically, these methods train a network to predict feature maps for fixed and moving images, from which explainable centres of mass are computed to obtain point clouds, that are then aligned in closed-form. However, the features returned by the network often yield spatially diffuse patterns that are hard to interpret, thus undermining the purpose of keypoint-based registration. Here, we propose a three-fold loss to regularise the spatial distribution of the features. First, we use the KL divergence to model features as point spread functions that we interpret as probabilistic keypoints. Then, we sharpen the spatial distributions of these features to increase the precision of the detected landmarks. Finally, we introduce a new repulsive loss across keypoints to encourage spatial diversity. Overall, our loss considerably improves the interpretability of the features, which now correspond to precise and anatomically meaningful landmarks. We demonstrate our three-fold loss in foetal rigid motion tracking and brain MRI affine registration tasks, where it not only outperforms state-of-the-art unsupervised strategies, but also bridges the gap with state-of-the-art supervised methods. Our code is available at https://github.com/BenBillot/spatial_regularisation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google