Anatomy-aware and acquisition-agnostic joint registration with SynthMorph

要約

アフィン画像レジストレーションは、医用画像の処理と分析の基礎です。
従来のアルゴリズムは優れた精度を達成できますが、新しい画像ペアごとに時間のかかる最適化を解決します。
深層学習 (DL) メソッドは、イメージ ペアを出力変換にマッピングする関数を学習します。
関数の評価は高速ですが、大きな変換をキャプチャするのは困難な場合があり、テスト画像の特性 (コントラストや解像度など) がトレーニング ドメインからずれると、ネットワークが苦労する傾向があります。
アフィン法の大部分は、ユーザーが整列させたい解剖学的構造にとらわれません。
アルゴリズムが画像内のすべての構造を考慮する場合、レジストレーションは不正確になります。
これらの欠点に対処するには、MRI スキャナーからすぐに、前処理を行わずに脳画像をアフィンおよび変形可能に登録するための、高速で堅牢で使いやすい DL ツールを使用します。
まず、競合するアーキテクチャが多様なニューロ イメージング データ全体でアフィン変換を学習する方法を厳密に分析し、現実世界でのメソッドの動作を真に捉えることを目指します。
次に、最近の戦略を活用して、ラベルマップから合成された非常に多様な画像を使用してネットワークをトレーニングし、取得の詳細全体で堅牢なパフォーマンスを実現します。
3 番目に、選択した解剖学的ラベルの空間的な重なりを最適化します。これにより、ネットワークが関心のある解剖学的構造と無関係な構造を区別できるようになり、そうでなければ解剖学的構造固有の登録の精度を低下させるコンテンツを除外する前処理の必要性がなくなります。
アフィンモデルを変形可能な登録に関する以前の研究と組み合わせ、トレーニングでは見られない MRI プロトコルのランドスケープ全体で脳固有の登録をテストし、既存のツールと比較して一貫して改善された精度を示します。
コードとツールを https://w3id.org/synthmorph で配布し、脳 MRI を登録するための単一の完全なエンド ツー エンド ソリューションを提供します。

要約(オリジナル)

Affine image registration is a cornerstone of medical-image processing and analysis. While classical algorithms can achieve excellent accuracy, they solve a time-consuming optimization for every new image pair. Deep-learning (DL) methods learn a function that maps an image pair to an output transform. Evaluating the functions is fast, but capturing large transforms can be challenging, and networks tend to struggle if a test-image characteristic shifts from the training domain, such as the contrast or resolution. A majority of affine methods are also agnostic to the anatomy the user wishes to align; the registration will be inaccurate if algorithms consider all structures in the image. We address these shortcomings with a fast, robust, and easy-to-use DL tool for affine and deformable registration of any brain image without preprocessing, right off the MRI scanner. First, we rigorously analyze how competing architectures learn affine transforms across a diverse set of neuroimaging data, aiming to truly capture the behavior of methods in the real world. Second, we leverage a recent strategy to train networks with wildly varying images synthesized from label maps, yielding robust performance across acquisition specifics. Third, we optimize the spatial overlap of select anatomical labels, which enables networks to distinguish between anatomy of interest and irrelevant structures, removing the need for preprocessing that excludes content that would otherwise reduce the accuracy of anatomy-specific registration. We combine the affine model with prior work on deformable registration and test brain-specific registration across a landscape of MRI protocols unseen at training, demonstrating consistent and improved accuracy compared to existing tools. We distribute our code and tool at https://w3id.org/synthmorph, providing a single complete end-to-end solution for registration of brain MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google