Recursive Refinement Network für die deformable Lungenregistrierung zwischen Ausatmungs- und Einatmungs-CT-Aufnahmen

In den letzten Jahren hat die Entwicklung von ansatzbasierten Methoden für das unsupervised Lernen in der medizinischen Bildregistrierung rasant voranschreiten. Wir schlagen vor, ein häufig übersehenes, jedoch einfaches und gut etabliertes Prinzip erneut zu betrachten: die rekursive Verbesserung von Deformationsvektorfeldern über mehrere Skalen hinweg. Wir stellen ein rekursives Verbesserungsnetzwerk (Recursive Refinement Network, RRN) für die unsupervised medizinische Bildregistrierung vor, das multiskalare Merkmale extrahiert, einen normalisierten lokalen Kostenkorrelationsvolumen aufbaut und die volumetrischen Deformationsvektorfelder rekursiv verfeinert. RRN erreicht eine state-of-the-art-Leistung bei der 3D-Registrierung von Exspirations- und Inspirations-CT-Lungenbildpaaren. Auf dem DirLab COPDGene-Datensatz erzielt RRN einen durchschnittlichen Target Registration Error (TRE) von 0,83 mm, was einer Reduktion der Fehlerquote um 13 % gegenüber dem besten Ergebnis im Leaderboard entspricht. Neben der Vergleichbarkeit mit herkömmlichen Methoden führt RRN im Vergleich zu tiefen Lernansätzen eine Fehlerreduktion um 89 % herbei.