초록
우리는 3차원 의료 이미지 등록을 위한 엔드투엔드 딥러닝 프레임워크를 소개합니다. 기존 접근 방식과 달리, 우리의 프레임워크는 아핀 등록과 벡터 모멘텀 매개변수화된 정상 속도 필드(vSVF) 모델이라는 두 가지 등록 방법을 결합합니다. 구체적으로, 이 프레임워크는 세 단계로 구성됩니다. 첫 번째 단계에서는 다단계 아핀 네트워크가 아핀 변환 파라미터를 예측합니다. 두 번째 단계에서는 Unet 유사 네트워크를 사용하여 모멘텀을 생성하며, 이를 통해 스무딩을 거쳐 속도 필드를 계산할 수 있습니다. 마지막으로 세 번째 단계에서는 현재 변환 맵의 추정치에 기반한 비매개변수적 정교화를 제공하는 자기 반복 맵 기반 vSVF 구성요소를 활용합니다. 모델이 훈련되면, 한 번의 순방향 전달로 등록이 완료됩니다.성능 평가를 위해 우리는 Osteoarthritis Initiative(OAI) 데이터셋의 무릎 3차원 자기 공명 영상(MRI)에서 종단적 및 교차 피험자 실험을 수행했습니다. 결과는 우리의 프레임워크가 최신 의료 이미지 등록 접근 방식과 비교 가능한 성능을 달성하였음을 보여주지만, 이는 훨씬 빠르며 변환 규칙성을 더 잘 제어할 수 있으며, 대칭적인 변환을 생성할 수 있는 능력과 아핀 및 비매개변수적 등록을 결합하는 특징이 있습니다.