TransMorph：非教師あり医療画像登録のためのTransformer

過去10年間、畳み込みニューラルネットワーク（ConvNet）は医療画像解析分野における主要な研究テーマとなってきました。しかし、ConvNetの性能は、画像内の長距離空間的関係を明示的に捉えていないことにより制限される可能性があります。近年、このようなConvNetの欠点を補うべく、Vision Transformerアーキテクチャが提案され、多くの医療画像処理応用において最先端の性能を達成しています。Transformerは、その大幅に拡大された受容 field を活かして、移動画像と固定画像間の空間的対応関係をより正確に理解できるため、画像登録（image registration）において有力な候補とされています。本研究では、体積データ用の医療画像登録を目的としたハイブリッドTransformer-ConvNetモデル「TransMorph」を提案します。さらに、本論文ではTransMorphの微分同相（diffeomorphic）版およびベイズ版を導入しています。微分同相版は位相を保存する変形を保証し、ベイズ版は信頼性の高い登録不確実性推定を提供します。提案モデルは、患者間およびアトラスから患者への脳MRI登録、およびフィンガープレートからCTへの登録という3つの医療画像応用において、3次元医療画像を用いて広範に検証されました。既存の登録手法およびTransformerアーキテクチャと比較して、提案モデルの性能を評価しました。定性的および定量的な結果から、Transformerをベースとした本モデルがベースライン手法に比べて顕著な性能向上を示すことが明らかとなり、Transformerが医療画像登録において有効であることを裏付けました。