MICDIR: Multi-scale Inverse-consistent Deformable Image Registration using UNetMSS with Self-Constructing Graph Latent

要約

画像レジストレーションは、異なる画像を共通の座標系に取り込むプロセスであり、リモート センシング、画像検索、最も一般的な医療画像処理など、コンピュータ ビジョンのさまざまなアプリケーションで広く使用されている技術です。
深層学習ベースの技術は、医用画像レジストレーションを含むさまざまな複雑な医用画像処理問題に対処するためにうまく適用されてきました。
長年にわたり、深層学習を使用したいくつかの画像登録技術が提案されてきました。
Voxelmorph などの変形可能な画像レジストレーション技術は、より微細な変化を捕捉し、より滑らかな変形を提供することに成功しています。
ただし、Voxelmorph は、ICNet や FIRE と同様に、グローバルな依存関係 (つまり、提供された画像の全体的な解剖学的ビュー) を明示的にエンコードしないため、大きな変形を追跡できません。
前述の問題に取り組むために、この論文では Voxelmorph アプローチを 3 つの異なる方法で拡張します。
小さな変形と大きな変形の場合のパフォーマンスを向上させるために、マルチスケール UNet を使用してさまざまな解像度でのモデルの監視が統合されました。
与えられた画像ペアの微細な構造相関関係を学習してエンコードするネットワークをサポートするために、自己構築グラフ ネットワーク (SCGNet) がマルチスケール UNet の潜在要素として使用されています。これにより、画像ペアの学習プロセスを改善できます。
モデルをより適切に一般化するのに役立ちます。
そして最後に、変形を逆一貫させるために、サイクル一貫性損失が採用されました。
脳 MRI の登録タスクでは、提案された方法は ANT および VoxelMorph より大幅な改善を達成し、イントラモーダルで 0.8013 \pm 0.0243、インターモーダルで 0.6211 \pm 0.0309 の Dice スコアを取得しましたが、VoxelMorph は 0.7747 \pm 0.0260 および 0.6071 \pm を達成しました。
それぞれ0.0510

要約(オリジナル)

Image registration is the process of bringing different images into a common coordinate system – a technique widely used in various applications of computer vision, such as remote sensing, image retrieval, and, most commonly, medical imaging. Deep learning based techniques have been applied successfully to tackle various complex medical image processing problems, including medical image registration. Over the years, several image registration techniques have been proposed using deep learning. Deformable image registration techniques such as Voxelmorph have been successful in capturing finer changes and providing smoother deformations. However, Voxelmorph, as well as ICNet and FIRE, do not explicitly encode global dependencies (i.e. the overall anatomical view of the supplied image) and, therefore, cannot track large deformations. In order to tackle the aforementioned problems, this paper extends the Voxelmorph approach in three different ways. To improve the performance in case of small as well as large deformations, supervision of the model at different resolutions has been integrated using a multi-scale UNet. To support the network to learn and encode the minute structural co-relations of the given image-pairs, a self-constructing graph network (SCGNet) has been used as the latent of the multi-scale UNet – which can improve the learning process of the model and help the model to generalise better. And finally, to make the deformations inverse-consistent, cycle consistency loss has been employed. On the task of registration of brain MRIs, the proposed method achieved significant improvements over ANTs and VoxelMorph, obtaining a Dice score of 0.8013 \pm 0.0243 for intramodal and 0.6211 \pm 0.0309 for intermodal, while VoxelMorph achieved 0.7747 \pm 0.0260 and 0.6071 \pm 0.0510, respectively

arxiv情報

提供元, 利用サービス

arxiv.jp, Google