初始化对儿童脑 MR 图像配准影响的分析：SyN ANTs 与深度学习方法的比较
摘要
本研究评估了常规 SyN ANTs 与基于学习的配准方法在儿童神经影像中的性能，具体聚焦于同一受试者的可变形脑部 MR 图像配准。比较涉及三种方法：无初始化（NR）、仅刚体初始化（RR）以及刚体与仿射共同初始化（RAR）。除初始化因素外，还从准确性、速度以及年龄区间和性别对配准对的影响等方面进行评估。数据来源于公开的加拿大幼儿园数据集，包含 63 名年龄在 2-7 岁之间的儿童，足以形成 431 对配准对。我们使用 DeepReg 实现了基于 U-Net 架构的无监督深度学习框架，并进行 5 折交叉验证。评估指标包括基于 SynthSeg 获取的 18 个小区域组织分割的 Dice 评分、对对数雅各布森 determinants 的分析，以及配准过程的训练与推理时间比例。无论是否配合线性初始化，基于学习的方法在 Dice 评分方面均略优于 SyN ANTs。事实上，采用 RR 和 RAR 初始化的深度学习方法显著优于 SyN ANTs。无论是 SyN ANTs 还是基于深度学习的配准方法都涉及参数优化，但选择哪种方法取决于配准尺度：网络方法适用于更广泛的覆盖范围，而 SyN ANTs 适用于特定结构。两种方法在面对更大年龄区间时都面临挑战，因为生长变化更为显著。本文的核心结论是，尽管深度学习方法在更快且更精确的配准方面显示出前景，SyN ANTs 仍保持稳健且具备广泛可适应性，无需大规模训练，这凸显了在儿童背景下应根据具体配准需求选择合适方法的重要性。我们的代码已公开于 https://github.com/neuropoly/pediatric-DL-registration。
引用
@article{arxiv.2406.19943,
title = {Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches},
author = {Andjela Dimitrijevic and Vincent Noblet and Benjamin De Leener},
journal= {arXiv preprint arXiv:2406.19943},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:013