Unsupervised Deformable Image Registration with Structural Nonparametric Smoothing

要約

学習ベースの変形可能な画像登録（DIR）は、ニューラルネットワークを介した従来の最適化を償却することにより、アライメントを加速します。
ラベルの監督により、精度がさらに向上し、目に見えないスキャンの効率的かつ正確な非線形アライメントが可能になります。
ただし、網膜容器などの大きな滑らかな領域の中のまばらな特徴を備えた画像は、監視されていないDIRメソッドが対処するのに苦労している開口部と大きなディスプレースメントの課題を導入します。
この制限は、ニューラルネットワークが単一のフォワードパスで変形フィールドを予測し、訓練後に制約のないフィールドを残し、正則化の負担を完全にネットワークの重みにシフトするために発生します。
これらの問題に対処するために、SmoothProperを紹介します。SmoothProperは、滑らかさを強制し、ネットワークのフォワードパス内を通過するメッセージを促進するプラグアンドプレイのニューラルモジュールを紹介します。
二重性ベースの最適化レイヤーを調整された相互作用項と統合することにより、SmoothProperは空間位置全体のフロー信号を効率的に伝播し、滑らかさを強制し、構造の一貫性を維持します。
これはモデルに依存しており、既存の登録フレームワークにシームレスに統合され、最小限のパラメーターオーバーヘッドを使用して、正規者ハイパーパラメーターのチューニングを排除します。
網膜容器データセットの予備的な結果は、開口部と大規模な変位の課題を示しています。この方法により、2912×2912の画像で登録エラーが1.88ピクセルに減少し、両方の課題に効果的に対処するための最初の監視されていないDIRアプローチをマークします。
ソースコードは、https：//github.com/tinymilky/smoothproperで入手できます。

要約(オリジナル)

Learning-based deformable image registration (DIR) accelerates alignment by amortizing traditional optimization via neural networks. Label supervision further enhances accuracy, enabling efficient and precise nonlinear alignment of unseen scans. However, images with sparse features amid large smooth regions, such as retinal vessels, introduce aperture and large-displacement challenges that unsupervised DIR methods struggle to address. This limitation occurs because neural networks predict deformation fields in a single forward pass, leaving fields unconstrained post-training and shifting the regularization burden entirely to network weights. To address these issues, we introduce SmoothProper, a plug-and-play neural module enforcing smoothness and promoting message passing within the network’s forward pass. By integrating a duality-based optimization layer with tailored interaction terms, SmoothProper efficiently propagates flow signals across spatial locations, enforces smoothness, and preserves structural consistency. It is model-agnostic, seamlessly integrates into existing registration frameworks with minimal parameter overhead, and eliminates regularizer hyperparameter tuning. Preliminary results on a retinal vessel dataset exhibiting aperture and large-displacement challenges demonstrate our method reduces registration error to 1.88 pixels on 2912×2912 images, marking the first unsupervised DIR approach to effectively address both challenges. The source code will be available at https://github.com/tinymilky/SmoothProper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google