脳MRIの変形可能レジストレーションにおける回転同変畳み込み

Abstract

画像レジストレーションは、画像間で解剖学的構造を整合させるための基本的なタスクである。CNNは良好に機能する一方で、回転同変性を欠いている――回転した入力は、それに対応して回転した出力を生み出さない。これは、特に脳MRIにおいて解剖学的構造に内在する回転対称性を活用できないことによって性能を妨げる。本研究では、回転同変な畳み込みを変形可能な脳MRIレジストレーションネットワークに統合する。複数の公開脳MRIデータセットでの評価を行い、3つのベースライン・アーキテクチャにおいて標準的なエンコーダを同変なエンコーダに置き換えることで、このアプローチの有効性を検証する。 実験の結果、同変エンコーダには3つの重要な利点があることが示された。1) 解剖学的な帰納的バイアスの有効性を裏付ける形で、ネットワークのパラメータ数を削減しつつレジストレーション精度をより高く達成する。2) 回転された入力ペアにおいてベースラインを上回り、臨床現場で一般的な向きの変動に対する頑健性を示す。3) より少ない学習データで性能が向上し、サンプル効率が高いことを示している。これらの結果は、幾何学的な事前知識を組み込むことが、より頑健で、より正確で、より効率的なレジストレーションモデルを構築するための重要なステップであることを示している。