Learning accurate rigid registration for longitudinal brain MRI from synthetic data

要約

リジッドレジストレーションは、一対の画像内の特徴を位置合わせするために必要な平行移動と回転を決定することを目的としています。
最近の機械学習手法は、被験者全体の線形で変形可能な位置合わせに関しては最先端のものとなっていますが、正確な位置合わせを達成することが重要である縦方向 (被験者内) 位置合わせに適用すると限界があることが明らかになりました。
解剖学を意識した取得に依存しないアフィン登録のための既存のフレームワークに基づいて、縦方向の厳密な脳登録に最適化されたモデルを提案します。
剛体および微妙な非線形変換で強化された合成の被験者内ペアを使用してモデルをトレーニングすることにより、モデルは以前の被験者間ネットワークよりも正確な剛体変換を推定し、磁気共鳴画像法 (MRI) コントラスト内およびコントラスト間の縦方向位置合わせペアに対して堅牢に実行します。

要約(オリジナル)

Rigid registration aims to determine the translations and rotations necessary to align features in a pair of images. While recent machine learning methods have become state-of-the-art for linear and deformable registration across subjects, they have demonstrated limitations when applied to longitudinal (within-subject) registration, where achieving precise alignment is critical. Building on an existing framework for anatomy-aware, acquisition-agnostic affine registration, we propose a model optimized for longitudinal, rigid brain registration. By training the model with synthetic within-subject pairs augmented with rigid and subtle nonlinear transforms, the model estimates more accurate rigid transforms than previous cross-subject networks and performs robustly on longitudinal registration pairs within and across magnetic resonance imaging (MRI) contrasts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google