Configuración experimental:
1. Conjunto de datos: imágenes de MRI ponderadas en T1 que utilizan ocho conjuntos de datos públicos (OASIS, ABIDE, ADHD200, MCIC, PPMI, HABS, Harvard GSP,
FreeSurfer Buckner40), todas las imágenes se vuelven a muestrear a un tamaño de 256 × 256 × 256, y el vóxel de la unidad es Isotrópico de 1 mm (entiendo que es un vóxel cúbico con una longitud lateral de 1 mm), y luego se estandariza el espacio afín y se modifica el tamaño a 160 × 192 × 224. Todas las imágenes de resonancia magnética se segmentan anatómicamente usando el software FreeSurfer, y usando una inspección visual del error total de segmentación versus transformación afín, terminamos con 30 estructuras anatómicas que contienen al menos 100 vóxeles. Utilice los resultados de segmentación obtenidos para probar la estructura de red diseñada.
El conjunto de entrenamiento: conjunto de validación: conjunto de prueba son 3231:250:250 respectivamente.
2. Índice de evaluación: El coeficiente de Dice compara la corrección de la predicción de la estructura, y el determinante jacobiano obtiene las características locales del campo de deformación.
3. Métodos de línea de base: use la normalización simétrica (SyN) en el paquete ANT (herramienta de normalización avanzada) como la primera línea de base, de modo que SyN tenga una medida de similitud correlacionada cruzada, obtenida al escanear conjuntos de datos. Parámetros mejorados para reemplazar los parámetros predeterminados de ANT. El tamaño del paso SyN es 0,25, el parámetro gaussiano es (9, 0,2) y las tres dimensiones se repiten hasta 201 veces. NiftyReg también se agrega como método de referencia.
Registro basado en Atlas Registro basado en Atlas
El conjunto de datos del atlas se construye mediante la calibración conjunta e iterativa de conjuntos de datos de imágenes de MRI y promediando juntos, y la imagen fija es una sola imagen.
Comparación de los resultados de diferentes métodos
Los resultados muestran que para vóxeles cuyo jacobiano no es positivo, todos los métodos producirán pequeñas islas en el campo de deformación, pero la deformación de la mayoría de los vóxeles es difeomorfa. VoxelMorph no tiene restricciones explícitas sobre el difeomorfismo y es una consecuencia de suavizar las pérdidas que producen campos de deformación suaves que funcionan bien. Aunque los otros dos métodos requieren difeomorfismo (reforzar o alentar fuertemente), los resultados no son tan buenos como se esperaba e incluso tienen efectos negativos. Comparando el coeficiente de Dice, se encuentra que VoexlMorph alcanza o incluso supera a los otros dos métodos. El tiempo de cálculo se acorta considerablemente, especialmente el tiempo en la CPU.
Coeficiente de dados de diferentes métodos y diferentes partes.
Análisis de regularización (Análisis de sensibilidad de hiperparámetros)
Experimentos con diferente parámetro de regularización λ
Como se muestra en la figura, se muestra el coeficiente Dice promedio del conjunto de validación para diferentes valores del parámetro de regularización de suavizado λ. Cambia suavemente en un amplio rango de valores de λ, lo que muestra que VoexlMorph tiene una mejor robustez a la elección de λ. Incluso establecer λ=0 sin forzar la regularización en el registro genera mejores resultados que el registro afín (0,586). El autor analiza que puede deberse a que la red necesita registrar cada par de imágenes tanto como sea posible durante el entrenamiento, por lo que la función de transformación genera una regularización implícita para el conjunto de datos.
Tamaño del conjunto de entrenamiento y optimización de casos especiales
Usando el método MSE, calcule el coeficiente Dice en el conjunto de entrenamiento con diferentes tamaños de datos, el conjunto de prueba reservado y el conjunto de prueba optimizado para casos especiales.
Se puede ver en el gráfico de resultados que cuando la cantidad de datos es pequeña, no hay una mejora significativa. Cuando la cantidad de datos aumenta, el coeficiente Dice aumenta significativamente hasta que es comparable con la tecnología más avanzada, pero aumenta aún más la cantidad. de datos no aumentará el coeficiente de Dice.
Descripción anatómica manual (etiquetas segmentadas manualmente)
La red de entrenamiento basada en atlas se utilizó para probar 39 imágenes en el conjunto de datos Buckner40 y también se estableció una operación de optimización de caso especial.
El coeficiente Dice optimizado a través de casos especiales se mejora significativamente.
Registro de imágenes de resonancia magnética de diferentes sujetos
Para superar la variabilidad en el registro, duplique la cantidad de entidades en la capa de red y pruebe en 250 pares de registro seleccionados al azar.
×2 indica características estadísticas dobles (el número de características se duplica), y la correlación cruzada CC es más estable que el error cuadrático medio MSE.
Registro utilizando datos auxiliares
Use el parámetro MSE λ=0.02 y evalúe en dos situaciones prácticas:
1. Use subetiquetas de segmentación anatómica cuando entrene;
2. Use etiquetas gruesas cuando entrene;
los experimentos son los siguientes:
a. Use un subconjunto de etiquetas anatómicas para
el entrenamiento γ Indica el parámetro de regularización.Cuando la abscisa es infinito negativo, significa que es un aprendizaje completamente no supervisado y sin etiquetas; cuando la abscisa es infinito positivo, significa que el valor de la etiqueta auxiliar se usa para el entrenamiento.obs puede entenderse como una estructura etiquetada, y unobs es una estructura no etiquetada
. Las dos primeras columnas muestran que el coeficiente de dados de la subetiqueta sin etiqueta ha mejorado, y la tercera columna muestra que cuando la etiqueta está etiquetada, hay un mejor resultado cuando γ es mayor. En este momento, la precisión de registro de la subetiqueta sin etiqueta la estructura disminuye en el rango de log γ ∈ [−3, −2], lo que puede explicar el sobreajuste del modelo, y el coeficiente de Dice mejorado perjudica la precisión de registro de otras estructuras no etiquetadas.
b. Capacitación de etiquetas gruesas
, por ejemplo: etiquetar todos los tejidos blancos como una estructura anatómica. En este caso, se puede evaluar la relación entre las etiquetas gruesas y los datos auxiliares más precisos. La cuarta columna (superior) de la figura anterior muestra los resultados experimentales. Cuando log γ = -2, el resultado es 3 puntos Dice más que el valor Dice Coeficiente sin información auxiliar Mejora
c Regularidad de transformación
La regularidad del campo de deformación se evalúa mediante los vóxeles no positivos del determinante jacobiano. La tabla muestra todas las medidas de regularidad cuantitativas de γ. La ley de deformación de VoexlMorph disminuye lentamente con el aumento de γ (en el nivel logarítmico de γ) cuando γ es 0,1 Cuando , alrededor del 0,2% de los vóxeles presentan plegamiento (distorsión del campo de deformación, normalmente una caja), hasta un 2,3%. Cuando γ=∞, habrá 10-13% de vóxeles plegados. Teniendo en cuenta el coeficiente de dados y la situación de plegado, cuando γ=0,01, el efecto es mejor y la deformación del campo de deformación no está tan desordenada, y es aproximadamente dentro de la caja.
d. Prueba de conjunto de datos etiquetados manualmente
Probado en el conjunto de datos Buckner40, los resultados se muestran en la cuarta columna (abajo) del experimento a, y el coeficiente de Dice tiene un pequeño aumento, que puede deberse al alto coeficiente de Dice de referencia del Datos Buckner40.
Resumir
VoxelMorph utiliza el rendimiento de pérdida no supervisada para alcanzar un alto nivel en términos de coeficientes de dados y reduce en gran medida el tiempo de entrenamiento. Puede usar información auxiliar e información de etiqueta aproximada para mejorar el rendimiento de la red; use optimización amortizada (optimización global) para obtener mejores resultados en entrenamientos más pequeños. Efecto; la optimización de casos especiales tiene pequeñas mejoras en los resultados experimentales; los experimentos en γ demuestran que la ganancia de rendimiento varía según la calidad y el número de segmentaciones anatómicas disponibles, el uso de una sola etiqueta de estructura no afecta el registro de otras estructuras, la mitad/todas o incluso Es la etiqueta gruesa la que mejorará la precisión de registro de otras estructuras, y también se pueden usar otros métodos auxiliares para la mejora. ej: diferentes modalidades o puntos anatómicos.
VoxelMorph es universal y no se limita a un tipo de problema, y utiliza diferentes funciones de pérdida para tratar diferentes problemas específicos. El registro multimodal se puede realizar mediante MI.