Réseau basé sur l'alignement résiduel (RAN) : structure séparable par mouvement pour l'alignement déformable discontinu de grossier à fin

L’alignement d’images déformables, qui consiste à estimer la transformation spatiale entre différentes images, constitue une tâche essentielle en imagerie médicale. Les techniques d’apprentissage profond ont démontré leur efficacité pour réaliser l’alignement d’images 3D. Toutefois, les stratégies actuelles de régistration se concentrent souvent uniquement sur la régularité de la déformation, ce qui conduit à ignorer des motifs de mouvement complexes (par exemple, des mouvements séparés ou glissants), notamment aux intersections entre organes. Par conséquent, les performances dans la modélisation des mouvements discontinus de plusieurs objets proches sont limitées, entraînant des résultats prédictifs indésirables en contexte clinique, tels que des erreurs de localisation ou de détection de lésions ou d’anomalies. Afin de remédier à ce problème, nous proposons une nouvelle méthode de régistration basée sur un nouveau noyau (backbone) Motion Separable, conçu pour capturer efficacement les mouvements séparés, accompagné d’une analyse théorique de la borne supérieure de la discontinuité des mouvements. En outre, nous introduisons un nouveau module appelé Residual Aligner, permettant de désentrelacer et de raffiner les mouvements prédits entre plusieurs objets ou organes voisins. Nous évaluons notre méthode, nommée Réseau basé sur le Residual Aligner (RAN), sur des scans de tomographie computée abdominale (CT) et montrons qu’elle atteint l’une des précisions les plus élevées pour l’alignement non supervisé entre sujets sur 9 organes, avec les meilleurs résultats pour les veines (coefficient de similarité de Dice (%) / distance moyenne à la surface (mm) : 62 % / 4,9 mm pour la veine cave, 34 % / 7,9 mm pour les veines porte et splénique), tout en disposant d’une structure de modèle plus légère et d’une consommation de calcul moindre par rapport aux méthodes de pointe. En outre, lors de son application à des données pulmonaires en CT, le RAN obtient des résultats comparables aux meilleurs réseaux existants (94 % / 3,0 mm), tout en nécessitant moins de paramètres et moins de ressources computationnelles.