Driving Points Prediction For Abdominal Probabilistic Registration

要約

腹部の患者間登録は、薬学的研究から解剖学的モデリングまで、様々な用途がある。しかし、人間の腹部は形態的に不均質でばらつきがあるため、依然として困難なアプリケーションである。この課題に対して提案された様々なレジストレーション手法のうち、確率的変位レジストレーションモデルは、2つの画像からの点の特徴ベクトルを比較することによって、点のサブセットに対する変位分布を推定する。このような確率的モデルは、情報量が多くロバストである一方、設計上大きな変位を許容することができる。変位分布は一般的に点の部分集合（これを駆動点と呼ぶ）に対して推定されるため、計算量の関係から、本研究では駆動点予測器を学習することを提案する。従来提案された手法と比較して、駆動点予測器は特定の登録パイプラインに合わせた駆動点を推測するために、エンドツーエンドで最適化される。我々は、異なるモダリティに対応する2種類のデータセットで、我々の貢献の影響を評価する。具体的には，6種類の確率的変位レジストレーションモデルについて，駆動点予測器と他の2種類の標準的な駆動点選択法のいずれかを用いた場合の性能を比較した．その結果，提案手法により12実験中11実験において性能が向上した．

要約(オリジナル)

Inter-patient abdominal registration has various applications, from pharmakinematic studies to anatomy modeling. Yet, it remains a challenging application due to the morphological heterogeneity and variability of the human abdomen. Among the various registration methods proposed for this task, probabilistic displacement registration models estimate displacement distribution for a subset of points by comparing feature vectors of points from the two images. These probabilistic models are informative and robust while allowing large displacements by design. As the displacement distributions are typically estimated on a subset of points (which we refer to as driving points), due to computational requirements, we propose in this work to learn a driving points predictor. Compared to previously proposed methods, the driving points predictor is optimized in an end-to-end fashion to infer driving points tailored for a specific registration pipeline. We evaluate the impact of our contribution on two different datasets corresponding to different modalities. Specifically, we compared the performances of 6 different probabilistic displacement registration models when using a driving points predictor or one of 2 other standard driving points selection methods. The proposed method improved performances in 11 out of 12 experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL