NimbleReg：双曲同型（ディフェオモルフィック）画像レジストレーションのための軽量ディープラーニングフレームワーク

Abstract

本論文は、複数の分割された解剖学的領域のサーフェス表現を活用することで、差分同相（diffeomorphic）画像登録を実現する軽量な深層学習（DL）フレームワークであるNimbleRegを提示する。深層学習は画像登録を革新してきたが、多くの手法は一般に扱いにくい格子状の表現に依存しており、その結果、ハードウェア集約的なモデルにつながる。現在低コストで利用可能になっている信頼性の高い詳細なセグメンテーションは、アライメントを導くためによく用いられる。境界サーフェスの観点でセグメンテーションを表現する軽量手法は提案されているが、複数の領域写像を全体としての差分同相変換へと統合するための仕組みが欠けている。これらの進展を踏まえ、我々は、多数の分割領域から得られるサーフェスを整合させ、周辺空間全体に対する全体の差分同相変換を生成できるDL登録手法を提案する。提案するモデルはPointNetバックボーンにより軽量である。差分同相の性質は、差分同相をパラメータ化する定常速度場（stationary velocity field）表現を活用することで保証される。我々は、このアプローチが、画像を用いる最先端のDLベース登録手法と同等の整合を達成できることを示す。