• 목록

[일시] 2025.07.14

[리뷰 논문] Deformable image registration with high-dimensional map constraint and alignment-synthesis enhancement feature fusion

[요약]
IMRISLSDF는 기존 Deformable Image Registration(DIR)의 한계를 극복하기 위해 제안된 새로운 프레임워크다. 기존 LSDF(Local-Signed Distance Field) 방식은 segmentation map만 사용해 경계가 거칠고 세밀한 구조 정보를 보존하지 못하는 한계가 있었다. 이를 해결하기 위해 IMRISLSDF는 intensity 정보를 함께 활용하는 Intensity-to-Synthesis LSDF(ISLSDF)를 도입해, 더 부드럽고 정확한 조직 경계를 구현했다. 제안하는 모델의 아키텍처에서 네트워크는 크게 두 가지로 구분된다. 첫 번째 Morphology network는 intensity 이미지에서 형태학적 구조와 텍스처 정보를 정밀하게 추출하고, ISLSDF를 생성하는 역할을 한다. 두 번째 Registration network는 이동 영상을 고정 영상에 정밀하게 맞추는 변형 필드를 예측하며, 해부학적 정합을 담당한다. multi-scale feature fusion 기법은 각 해상도에서 추출한 morphology feature와 registration feature를 단계적으로 결합해, 세밀한 조직 구조와 경계 정보를 보존한다. 두 네트워크를 통해 변형 필드에 대한 값을 coarse에서 fine한 부분까지 refinement가 이루어지도록 최종 변형 필드를 생성하였고 ISLSDF를 추가하여 해부학 적인 특성까지 반영되도록 하였다.  따라서, 두 네트워크는 양방향 정보 교환을 통해 해부학적 일관성과 정합 정확도를 동시에 향상시켰으며 다양한 데이터셋에서 기존 방법보다 높은 Dice Score와 낮은 경계 오차를 기록하였다. 하지만, 제안 방식 역시 segmentation label과 입력되는 이미지의 품질에 의존한다는 문제가 있었으며 이를 해결하기 위해 Registration, segmentation, morphology을 모두 통합한 프레임워크를 향후 연구로 두고있다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/hJoGc-VuADgnYvC09zHX3zU60tRQpLbAqvSm7La5VlnhE3sCyf9u33doXGXTVTUP.I4raHmRU87FTetnA

[Q&A]
Q : Registration 네트워크와 morphology 네트워크가 서로 파라미터를 공유하지 않는데, total loss에서 각 네트워크에서 나온 loss를 선형결합하는 이유가 궁금합니다.
A : Registration 네트워크의 목적은 이동 영상(moving image)을 고정 영상(fixed image)에 맞추는 변형 필드를 생성하는 것입니다. 즉, global alignment와 해부학적 정합을 담당하게 됩니다. Morphology 네트워크의 목적은 조직의 형태학적 특징과 경계 정보를 정밀하게 추출하는 것입니다. 여기서 두 네트워크는 역할과 출력 형태가 다르기 때문에 파라미터를 공유하지 않고 독립적으로 학습을 하는 방식을 사용합니다. 이때, 서로 다른 역할을 동시에 최적화하는 이유는 두 네트워크가 완전히 분리되어 각각 따로 loss를 계산하면, registration의 global alignment와 morphology의 local boundary refinement가 따로 놀게 되므로 최종적으로 두 가지 목표가 충돌할 가능성이 있기 때문입니다. 따라서 Total loss를 선형 결합함으로써, 각 네트워크가 독립적으로 동작하면서도 서로의 목표에 간접적으로 영향을 주도록 유도하는 방식을 사용하였습니다.