• 목록

[일시] 2025.08.18

[리뷰 논문] H-UDMIR: A Hybrid Unsupervised Deep Learning Framework for Deformable Medical Image Registration

[요약]
본 연구는 의료 영상의 변형 정합(Deformable Image Registration)을 위한 하이브리드 비지도 딥러닝 프레임워크인 H-UDMIR을 제안한다. 기존 DIR 방법들은 영상 품질에 민감하고 복잡한 변형 처리가 어려우며 정밀한 입력 및 사전 정보를 요구하는 한계가 있었다. H-UDMIR은 U-Net의 전역 정합 능력과 STN(Spatial Transformer Network)의 국소 정합 능력을 결합한 다단계 구조를 제안한다. 프레임워크는 U-Net으로 초기 변형 필드를 생성한 후, STN으로 공간 정렬을 정제하고, 학습 가능한 스케일러로 강도 및 대비를 보정한다. 모든 출력을 통합한 후 추가 STN으로 최종 정합을 수행한다. 손실 함수는 MSE 기반 정합 손실과 L2 Gradient 정규화 손실을 결합하여 정합 정확도와 변형 매끄러움 간의 균형을 조절한다. 46명 환자의 저선량/고선량 신장 CT 330개와 61명의 T1/T2 MRI 데이터로 실험한 결과, VoxelMorph, ITK, ORB 등 기존 방법들 대비 모든 지표에서 우수한 성능을 달성했다. 특히 신장 CT에서 Dice Score 92.72%(VoxelMorph 대비 +8.7%), 탄성 변형 조건에서 95.68%를 기록하여 주석 없는 데이터 환경에서도 정밀하고 강건한 정합이 가능함을 입증했다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/daw8Y-htW9tVbq7Jbai80qm7hNHcfGZFazA0QloYXWez9ABQw_Xzml-0gOvCA8Sw.8YK9Uj3L3qz95pQg?startTime=1755495306000