Multi-scale, Data-driven and Anatomically Constrained Deep Learning Image Registration for Adult and Fetal Echocardiography

要約

時間的心エコー検査画像登録は、心臓の動きの推定、心筋緊張の評価、一回拍出量の定量化などの臨床定量化の基礎となります。
過去の研究では、ディープラーニング画像レジストレーション (DLIR) は有望な結果を示しており、一貫して正確で正確であるため、必要な計算時間が短くなります。
私たちは、ワープされた動画の解剖学的妥当性と画質をより重視することで、堅牢な DLIR パフォーマンスをサポートできると提案します。
さらに、過去の実装は成人の心エコー検査に焦点を当てており、胎児心エコー検査用の DLIR 実装はありません。
我々は、胎児エコーと成人エコーの両方における DLIR の 3 つの戦略を組み合わせたフレームワークを提案します。(1) 歪んだ画像で生理的な心筋および左心室の解剖学的トポロジーを保存するための解剖学的形状エンコード損失。
(2) ワープされた画像内で良好な画像テクスチャの特徴を維持するために敵対的にトレーニングされたデータ駆動型の損失。
(3) 精度を向上させるための、データ駆動型で解剖学的に制約されたアルゴリズムのマルチスケール トレーニング スキーム。
私たちのテストでは、優れた解剖学的トポロジーと画像テクスチャが、形状エンコードされたデータ駆動型の敵対的損失と強く関連していることが示されています。
これらは、重複しない方法で登録パフォーマンスのさまざまな側面を改善し、その組み合わせを正当化します。
成人エコー画像と胎児エコー画像の間には基本的な違いがあるにもかかわらず、公的に利用可能なCAMUS成人エコーデータセットと私たちのプライベートマルチデモグラフィック胎児エコーデータセットを使用して、これらの戦略が成人と胎児の両方の心エコー検査で優れた位置合わせ結果を提供できることを示します。
私たちのアプローチは、オプティカル フローやエラスティックなどの従来の非 DL ゴールド スタンダード登録アプローチよりも優れています。
位置合わせの改善は、心臓駆出率のより正確かつ正確な臨床定量化に変換される可能性があり、変換の可能性を示しています。

要約(オリジナル)

Temporal echocardiography image registration is a basis for clinical quantifications such as cardiac motion estimation, myocardial strain assessments, and stroke volume quantifications. In past studies, deep learning image registration (DLIR) has shown promising results and is consistently accurate and precise, requiring less computational time. We propose that a greater focus on the warped moving image’s anatomic plausibility and image quality can support robust DLIR performance. Further, past implementations have focused on adult echocardiography, and there is an absence of DLIR implementations for fetal echocardiography. We propose a framework that combines three strategies for DLIR in both fetal and adult echo: (1) an anatomic shape-encoded loss to preserve physiological myocardial and left ventricular anatomical topologies in warped images; (2) a data-driven loss that is trained adversarially to preserve good image texture features in warped images; and (3) a multi-scale training scheme of a data-driven and anatomically constrained algorithm to improve accuracy. Our tests show that good anatomical topology and image textures are strongly linked to shape-encoded and data-driven adversarial losses. They improve different aspects of registration performance in a non-overlapping way, justifying their combination. Despite fundamental distinctions between adult and fetal echo images, we show that these strategies can provide excellent registration results in both adult and fetal echocardiography using the publicly available CAMUS adult echo dataset and our private multi-demographic fetal echo dataset. Our approach outperforms traditional non-DL gold standard registration approaches, including Optical Flow and Elastix. Registration improvements could be translated to more accurate and precise clinical quantification of cardiac ejection fraction, demonstrating a potential for translation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google