Neural Ordinary Differential Equation based Sequential Image Registration for Dynamic Characterization

要約

変形可能な画像レジストレーション (DIR) は、医療画像解析において極めて重要であり、画像化における臓器の動きや縦方向の変化などの生物学的動態の探索を可能にします。
登録に神経常微分方程式 (ODE) を利用するこの拡張作業では、このフレームワークが連続的な生物学的プロセスの特性評価にどのように役立つかを説明します。
ニューラル ネットワークで状態導関数をモデル化する Neural ODE の機能を利用して、ニューラル常微分方程式最適化ベース (NODEO) フレームワークはボクセルを動的システム内の粒子と見なし、ニューラル微分方程式の統合を通じて変形フィールドを定義します。
この方法は、データからダイナミクスを直接学習し、物理的な事前分布の必要性を回避し、そのような事前分布が利用できない、または適用できない医療シナリオに非常に適しています。
その結果、フレームワークは根底にあるダイナミクスを識別し、シーケンス データを使用して変換の軌跡を正規化することができます。
私たちは 2 つの臨床データセットでフレームワークを評価しました。1 つは心臓の動きの追跡用で、もう 1 つは縦方向の脳 MRI 解析用です。
2D と 3D の両方のイメージング シナリオでその有効性を実証する当社のフレームワークは、柔軟性とモデルに依存しない機能を提供し、画像シーケンスを管理し、これらのシーケンス全体でラベルの伝播を促進することができます。
この研究は、Neural ODE ベースのフレームワークが画像登録の課題にどのような独自のメリットをもたらすのかについての包括的な理解を提供します。

要約(オリジナル)

Deformable image registration (DIR) is crucial in medical image analysis, enabling the exploration of biological dynamics such as organ motions and longitudinal changes in imaging. Leveraging Neural Ordinary Differential Equations (ODE) for registration, this extension work discusses how this framework can aid in the characterization of sequential biological processes. Utilizing the Neural ODE’s ability to model state derivatives with neural networks, our Neural Ordinary Differential Equation Optimization-based (NODEO) framework considers voxels as particles within a dynamic system, defining deformation fields through the integration of neural differential equations. This method learns dynamics directly from data, bypassing the need for physical priors, making it exceptionally suitable for medical scenarios where such priors are unavailable or inapplicable. Consequently, the framework can discern underlying dynamics and use sequence data to regularize the transformation trajectory. We evaluated our framework on two clinical datasets: one for cardiac motion tracking and another for longitudinal brain MRI analysis. Demonstrating its efficacy in both 2D and 3D imaging scenarios, our framework offers flexibility and model agnosticism, capable of managing image sequences and facilitating label propagation throughout these sequences. This study provides a comprehensive understanding of how the Neural ODE-based framework uniquely benefits the image registration challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google