GuidedMorph: Two-Stage Deformable Registration for Breast MRI

要約

さまざまな時点から乳房MR画像を正確に登録すると、解剖学的構造の整合と腫瘍の進行の追跡が可能になり、より効果的な乳がんの検出、診断、および治療計画がサポートされます。
しかし、密な組織の複雑さとその非常に剛性のない性質は、従来の登録方法に課題をもたらします。これは、主に一般的な構造を調整しながら、複雑な内部の詳細を見下ろすことに焦点を当てています。
これに対処するために、\ TextBF {GuidedMorph}を提案します。これは、密な組織をより適切に整列するように設計された新しい2段階登録フレームワークです。
グローバル構造アラインメントのための単一スケールネットワークに加えて、胸の動きを追跡するために密な組織情報を利用するフレームワークを紹介します。
学習した変換フィールドは、デュアル空間変圧器ネットワーク（DSTN）を導入することで融合し、全体的なアライメント精度を向上させます。
ユークリッド距離変換（EDT）に基づいた新しいワーピング方法も提案されており、登録された密な組織と乳房マスクを正確にゆがめ、変形中に細かい構造の詳細を維持します。
フレームワークは、外部セグメンテーションモデルと画像データのみを必要とするパラダイムをサポートします。
また、VoxelmorphおよびTransmorphの骨格で効果的に動作し、乳房登録に汎用性の高いソリューションを提供します。
ISPY2および内部データセットでの方法を検証し、密度の高い組織、全体的な乳房整列、および乳房構造類似性指数測定（SSIM）で優れた性能を示し、密な組織ダイスで13.01％、乳房ダイスで3.13％、乳房SIMで1.21％を顕著に改善します。

要約(オリジナル)

Accurately registering breast MR images from different time points enables the alignment of anatomical structures and tracking of tumor progression, supporting more effective breast cancer detection, diagnosis, and treatment planning. However, the complexity of dense tissue and its highly non-rigid nature pose challenges for conventional registration methods, which primarily focus on aligning general structures while overlooking intricate internal details. To address this, we propose \textbf{GuidedMorph}, a novel two-stage registration framework designed to better align dense tissue. In addition to a single-scale network for global structure alignment, we introduce a framework that utilizes dense tissue information to track breast movement. The learned transformation fields are fused by introducing the Dual Spatial Transformer Network (DSTN), improving overall alignment accuracy. A novel warping method based on the Euclidean distance transform (EDT) is also proposed to accurately warp the registered dense tissue and breast masks, preserving fine structural details during deformation. The framework supports paradigms that require external segmentation models and with image data only. It also operates effectively with the VoxelMorph and TransMorph backbones, offering a versatile solution for breast registration. We validate our method on ISPY2 and internal dataset, demonstrating superior performance in dense tissue, overall breast alignment, and breast structural similarity index measure (SSIM), with notable improvements by over 13.01% in dense tissue Dice, 3.13% in breast Dice, and 1.21% in breast SSIM compared to the best learning-based baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google