DiffuseReg: Denoising Diffusion Model for Obtaining Deformation Fields in Unsupervised Deformable Image Registration

要約

変形可能な画像位置合わせは、さまざまなモダリティまたは時間からの医療画像を正確に位置合わせすることを目的としています。
従来の深層学習手法は効果的ではありますが、多くの場合、解釈可能性、リアルタイムの観測可能性、および登録推論時の調整能力に欠けています。
ノイズ除去拡散モデルは、レジストレーションを反復画像ノイズ除去として再定式化することにより、代替手段を提供します。
ただし、既存の拡散登録アプローチは機能を完全に活用しておらず、推論中の継続的な観測を可能にする重要なサンプリング段階を無視しています。
そこで、画像の代わりに変形フィールドのノイズを除去して透明度を向上させる革新的な拡散ベースの方法である DiffuseReg を紹介します。
また、Swin Transformer 上の新しいノイズ除去ネットワークも提案します。これは、ノイズ除去プロセス全体を通じて、移動画像と固定画像を拡散時間ステップでより適切に統合します。
さらに、新しい類似性一貫性正則化により、ノイズ除去登録プロセスの制御を強化します。
ACDC データセットの実験では、DiffuseReg が既存の拡散登録方法よりも Dice スコアで 1.32 優れていることが実証されました。
DiffuseReg のサンプリング プロセスにより、以前のディープ モデルでは実現できなかった、リアルタイムの出力観察と調整が可能になります。

要約(オリジナル)

Deformable image registration aims to precisely align medical images from different modalities or times. Traditional deep learning methods, while effective, often lack interpretability, real-time observability and adjustment capacity during registration inference. Denoising diffusion models present an alternative by reformulating registration as iterative image denoising. However, existing diffusion registration approaches do not fully harness capabilities, neglecting the critical sampling phase that enables continuous observability during the inference. Hence, we introduce DiffuseReg, an innovative diffusion-based method that denoises deformation fields instead of images for improved transparency. We also propose a novel denoising network upon Swin Transformer, which better integrates moving and fixed images with diffusion time step throughout the denoising process. Furthermore, we enhance control over the denoising registration process with a novel similarity consistency regularization. Experiments on ACDC datasets demonstrate DiffuseReg outperforms existing diffusion registration methods by 1.32 in Dice score. The sampling process in DiffuseReg enables real-time output observability and adjustment unmatched by previous deep models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google