SETGen: Scalable and Efficient Template Generation Framework for Groupwise Medical Image Registration

要約

テンプレートの生成は、被験者のグループを共通の空間に変形させるグループごとの画像登録の重要なステップです。
既存の従来の深層学習ベースの方法で、高品質のテンプレート イメージを生成できます。
ただし、かなりの時間コストや、グループ サイズが固定されているなどのアプリケーション シナリオの制限に悩まされています。
この論文では、入力画像の潜在表現の算術特性を利用した変分オートエンコーダモデルに基づく効率的なグループワイズテンプレート生成フレームワークを提案します。
各入力の潜在ベクトルを取得し、平均ベクトルを使用して、デコーダーを介してテンプレートを構築します。
したがって、この方法は、あらゆる規模のグループに適用できます。
次に、2 つの画像を共有重みツイン ネットワークにフィードし、入力と生成されたテンプレート間の距離を比較して、テンプレートが暗黙の中心に近づくように促すシャム トレーニング スキームを調べます。
さまざまなサイズのグループの 3D 脳 MRI スキャンで実験を行います。
結果は、私たちのフレームワークがベースラインに匹敵し、さらに優れたパフォーマンスを達成し、ランタイムが数秒に短縮されることを示しています。

要約(オリジナル)

Template generation is a crucial step of groupwise image registration which deforms a group of subjects into a common space. Existing traditional and deep learning-based methods can generate high-quality template images. However, they suffer from substantial time costs or limited application scenarios like fixed group size. In this paper, we propose an efficient groupwise template generative framework based on variational autoencoder models utilizing the arithmetic property of latent representation of input images. We acquire the latent vectors of each input and use the average vector to construct the template through the decoder. Therefore, the method can be applied to groups of any scale. Secondly, we explore a siamese training scheme that feeds two images to the shared-weight twin networks and compares the distances between inputs and the generated template to prompt the template to be close to the implicit center. We conduct experiments on 3D brain MRI scans of groups of different sizes. Results show that our framework can achieve comparable and even better performance to baselines, with runtime decreased to seconds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google