A New Deep Learning Model for Diffeomorphic Deformable Image Registration Problems

Abstract

Diffeomorphic deformable image registration is an essential technique in medical image analysis, aiming to find a smooth and invertible mapping between images to align their corresponding anatomical structures. The importance of diffeomorphic transformations lies in their ability to preserve topology, maintain smooth and continuous deformations, and allow for invertibility, ensuring accurate and physiologically plausible results.

Traditional variational methods have been used for diffeomorphic deformable image registrations; however, they can be computationally expensive and require extensive parameter tuning. In contrast, deep learning approaches have shown remarkable success in various image processing tasks due to their ability to learn complex and hierarchical features. These deep learning models can offer improved efficiency, robustness, and generalization in image registration tasks.

In this thesis, we present a novel diffeomorphic deformable image registration model that incorporates a novel diffeomorphic regularization loss with an unsupervised learning strategy. Diffeomorphic regularization enforces smooth and invertible transformations, leading to improved registration results. Our proposed model outperforms other models using diffeomorphic regularization losses in terms of the relative sum of square differences and maintains the topological properties of images, demonstrating its potential in various medical imaging applications.

การลงทะเบียนภาพอนุพันธสัณฐานคือเทคนิคสำคัญในการวิเคราะห์ภาพทางการแพทย์ โดยมีเป้าหมายเพื่อค้นหาการแปลงพิกัดระหว่างภาพที่ราบเรียบและสามารถแปลงย้อนกลับได้ เพื่อจัดโครงสร้างทางกายวิภาคที่สอดคล้องกัน ความสำคัญของการแปลงอนุพันธสัณฐานอยู่ที่ความสามารถในการรักษาโทโพโลยี รักษาการเปลี่ยนรูปที่ราบรื่นและต่อเนื่อง และช่วยให้สามารถแปลงย้อนกลับได้ ทำให้มั่นใจได้ถึงผลลัพธ์ที่ถูกต้องและน่าเชื่อถือทางสรีรวิทยา

การใช้วิธีการแปรผันแบบดั้งเดิมสำหรับการลงทะเบียนรูปภาพอนุพันธสัณฐานได้มีการพัฒนาอย่างมาก อย่างไรก็ตาม อาจต้องใช้เวลาในการคำนวณสูงมากและต้องการการปรับพารามิเตอร์จำนวนมาก ในทางตรงกันข้าม วิธีการเรียนรู้เชิงลึก โดยเฉพาะอย่างยิ่งวิธีการที่ใช้โครงข่ายประสาทเทียม ได้แสดงให้เห็นถึงความสามารถที่โดดเด่นในงานประมวลผลภาพต่างๆ เนื่องจากความสามารถในการเรียนรู้คุณลักษณะที่ซับซ้อนและเป็นลำดับชั้น โมเดลการเรียนรู้เชิงลึกเหล่านี้สามารถปรับปรุงประสิทธิภาพ ความแม่นยำ และลักษณะทั่วไปในงานการลงทะเบียนรูปภาพ

ในวิทยานิพนธ์นี้ เรานำเสนอโมเดลการเรียนรู้เชิงลึกชนิดใหม่สำหรับการลงทะเบียนรูปภาพอนุพันธ์สัณฐาน โดยการเพิ่มการทำให้เป็นมาตรฐานแบบอนุพันธ์สัณฐานแบบใหม่เข้ากับฟังก์ชันการสูญเสียของโครงข่ายประสาทเทียม ด้วยกลยุทธ์การเรียนรู้แบบไม่มีผู้สอน การทำให้เป็นมาตรฐานอนุพันธ์สัณฐาน ทำให้การแปลงมีความราบรื่นและสามารถแปลงกลับได้ ซึ่งนำไปสู่ผลลัพธ์การลงทะเบียนที่ดีขึ้น วิธีการที่เรานำเสนอมีประสิทธิภาพดีกว่าเทคนิคการทำให้เป็นมาตรฐานแบบอนุพันธ์สัณฐานแบบอื่นๆ ในแง่ของผลรวมสัมพัทธ์ของผลต่างกำลังสองและรักษาคุณสมบัติการแปลงแบบอนุพันธ์สัณฐาน ซึ่งแสดงให้เห็นถึงศักยภาพในการใช้งานด้านการถ่ายภาพทางการแพทย์ต่างๆ