A Steerable Deep Network for Model-Free Diffusion MRI Registration

要約

非剛体レジストレーションは医療画像解析には不可欠ですが、拡散 MRI (dMRI) では、高次元で方向に依存する性質があるため、依然として困難です。
古典的な方法は正確ではありますが、計算量が多く、ディープ ニューラル ネットワークは効率的ではありますが、構造イメージングに比べて非剛体 dMRI 登録については十分に研究されていません。
我々は、明示的な再配向を必要としない、生の拡散 MRI データのモデルフリーで非剛体位置合わせのための、新しい深層学習フレームワークを提案します。
拡散テンソルや繊維配向分布関数などの導出表現に依存する以前の方法とは異なり、私たちのアプローチでは、位置および配向空間の等変微分同相写像として位置合わせを定式化します。
私たちの方法の中心となるのは、生の dMRI ドメインの幾何学的特性を維持しながら速度場を生成する $\mathsf{SE}(3)$ 等価 UNet です。
フーリエ空間の最大平均不一致に基づいた新しい損失関数を導入し、画像全体でアンサンブル平均プロパゲータを暗黙的に一致させます。
ヒューマン コネクトーム プロジェクトの dMRI データに関する実験結果は、最先端のアプローチと比較して競争力のあるパフォーマンスを実証し、派生表現を推定するためのオーバーヘッドをバイパスするという追加の利点も備えています。
この研究により、データ駆動型でジオメトリを認識した dMRI 登録を収集空間に直接行うための基盤が確立されます。

要約(オリジナル)

Nonrigid registration is vital to medical image analysis but remains challenging for diffusion MRI (dMRI) due to its high-dimensional, orientation-dependent nature. While classical methods are accurate, they are computationally demanding, and deep neural networks, though efficient, have been underexplored for nonrigid dMRI registration compared to structural imaging. We present a novel, deep learning framework for model-free, nonrigid registration of raw diffusion MRI data that does not require explicit reorientation. Unlike previous methods relying on derived representations such as diffusion tensors or fiber orientation distribution functions, in our approach, we formulate the registration as an equivariant diffeomorphism of position-and-orientation space. Central to our method is an $\mathsf{SE}(3)$-equivariant UNet that generates velocity fields while preserving the geometric properties of a raw dMRI’s domain. We introduce a new loss function based on the maximum mean discrepancy in Fourier space, implicitly matching ensemble average propagators across images. Experimental results on Human Connectome Project dMRI data demonstrate competitive performance compared to state-of-the-art approaches, with the added advantage of bypassing the overhead for estimating derived representations. This work establishes a foundation for data-driven, geometry-aware dMRI registration directly in the acquisition space.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google