学習ベースの医療画像登録におけるグリッド制御点の自由度について

科学分野:

• 医学画像分析 医学画像分析
• コンピューティングアナトミー (Computational Anatomy) とは
• 医療イメージングにおける機械学習

背景:

• Voxel-wise による登録方法は,高次元性と,画像が均質で騒々しい領域での不適切な位置の問題に直面します.
• 登録ネットワークのボクセル密度の高いデコーダーは,過剰なメモリ使用と安定性の低下につながる可能性があります.
• Sparse コントロールポイントパラメータ化は,変形のコンパクトでスムーズな表現を提供し,安定性を高め,メモリフットプリントを削減します.

研究 の 目的:

• 学習ベースの医療画像登録ネットワークの開発に必要な最適な制御ポイントの数を調査する.
• 散らばった制御ポイントの構成 (例えば,5x5x5) と,散らばった制御ポイントや密度の高い移動フィールドなどの代替方法を比較する.

主な方法:

• 学習ベースのフレームワークであるGridRegを導入し,密集したヴォクセルサイズのデコーディングを,散らばった制御点での移位予測に置き換える.
• ポジショナルのエンコーディングを備えたマルチスケール3Dエンコーダを使用し,空間的な文脈を保存するために1Dトークンシーケンスに機能マップを平ら化しました.
• 散らばった格子型変形場を予測するためのクロス注意モジュールを利用し,制御ポイントはローカルエンコーダートークンに注意を払い,その後,密集したフィールドへのインタポレーションを行い,移位を推定します.
• モデルがリトレーニングなしで推論中に複数のグリッドサイズに適応できるようにグリッド適応トレーニングを実施しました.

主要な成果:

• スパース・グリッド・サンプリングの位移の予測を通じて,計算効率の有意な改善が実証されました.
• VoxelMorph,TransMorph,およびKeyMorphなどの既存の方法と比較して,比較可能なまたは削減された計算コストで優れた登録性能を達成しました.
• 3つの異なるデータセットを使用して,前立腺,骨盤臓器,神経組織を含む多様な解剖学的構造にわたる有効な利点.

結論:

• 格子格差を予測することは,エンコーダアーキテクチャに関係なく,医療画像登録における計算コストの削減および/またはパフォーマンスの向上を提供します.
• GridRegのアプローチは,柔軟なグリッドサイズを必要とするさまざまな登録タスクに容易に実装でき,適応できます.
• 開発されたフレームワークとコードは,医療画像登録におけるさらなる研究と応用のために一般に公開されています.