확률론적 모델을 이용한 미분 동형 등록 학습

우리는 데이터에서 학습할 수 있는 저차원 확률적 변형 모델을 제안합니다. 이 모델은 등록과 변형 분석에 사용될 수 있습니다. 잠재 변수 모델은 인코딩 공간에서 유사한 변형들을 서로 가깝게 매핑합니다. 이를 통해 변형들을 비교하거나 새로운 이미지에 대해 정상적인 또는 병리학적인 변형을 생성하거나, 하나의 이미지 쌍에서 다른 모든 이미지로 변형을 전송할 수 있습니다. 우리의 비지도 학습 방법은 변분 추론에 기반하고 있으며, 특히 조건부 변분 오토인코더(CVAE) 네트워크를 사용하여 변환을 대칭적이고 미분 가능한 것으로 제약합니다. 이를 위해 미분 가능한 지수 계층과 대칭 손실 함수를 적용하였습니다. 또한, 확산 기반 필터와 같은 공간 정규화를 포함하는 공식을 제시하였습니다. 더불어, 우리의 프레임워크는 다중 스케일 속도장 추정을 제공합니다. 우리는 334개의 심장 시네-자기공명영상(cine-MRIs)을 사용하여 3D 동일 피험자 등록에서 우리의 방법을 평가하였습니다. 이 데이터셋에서, 우리의 방법은 32개의 잠재 차원을 사용하여 세 가지 최신 방법과 비교해 평균 DICE 점수가 81.2%, 평균 하우스도르프 거리가 7.3mm인 최고 수준의 성능을 보였으며, 더욱 규칙적인 변형장을 보여주었습니다. 등록당 평균 시간은 0.32초였습니다. 또한, 학습된 잠재 공간을 시각화하였으며, 인코딩된 변형이 전송 및 질병 클러스터링에 활용될 수 있음을 보였습니다. 선형 투영 후 분류 정확도는 83%를 기록하였습니다.