호흡 과정 중 흡기와 배기 CT 영상 간 비정형 폐 등록을 위한 재귀적 개선 네트워크

최근 몇 년 동안 비지도 학습 기반 의료 영상 정합 기법이 급속한 발전을 보이고 있다. 본 연구에서는 일반적으로 간과되지만 간단하고 잘 정립된 원칙인 ‘다중 해상도에서 변형 벡터 필드의 반복적 정밀화’를 재검토하고자 한다. 우리는 다중 해상도 특징 추출, 정규화된 국소 비용 상관성 볼륨 구축, 그리고 부피형 변형 벡터 필드의 반복적 정밀화를 수행하는 비지도 의료 영상 정합을 위한 반복적 정밀화 네트워크(Recursive Refinement Network, RRN)를 제안한다. RRN은 흡기-호기 쌍의 CT 폐 영상 3D 정합에서 최신 기술 수준의 성능을 달성하였다. DirLab COPDGene 데이터셋에서 RRN은 평균 목표 정합 오차(TRE) 0.83 mm를 기록하였으며, 리더보드에 공개된 최고 성능 대비 약 13%의 오차 감소를 이뤘다. 전통적 방법과의 비교 외에도, 딥러닝 기반 동종 기법들과 비교했을 때 RRN은 약 89%의 오차 감소를 보였다.