TransMorph: 비지도 의료 영상 정렬을 위한 트랜스포머

지난 10년간 컨볼루션 신경망(ConvNets)은 의료 영상 분석 분야에서 주요 연구 초점이 되어왔다. 그러나 ConvNets의 성능은 이미지 내 장거리 공간적 관계를 명시적으로 고려하지 못함으로 인해 제한을 받을 수 있다. 최근에는 ConvNets의 한계를 보완하기 위해 비전 트랜스포머(Vision Transformer) 아키텍처가 제안되었으며, 여러 의료 영상 응용 분야에서 최첨단 성능을 달성하고 있다. 트랜스포머는 상당히 큰 수용장( receptive field)을 갖기 때문에 움직이는 이미지와 고정된 이미지 간의 공간적 대응 관계를 보다 정밀하게 이해할 수 있어, 영상 정합(image registration)에 강력한 후보가 될 수 있다. 본 연구에서는 체적 의료 영상 정합을 위한 하이브리드 트랜스포머-컨볼루션 네트워크 모델인 TransMorph를 제안한다. 또한 TransMorph의 디포모르픽(diffeomorphic) 및 베이지안(Bayesian) 변형 모델도 제시한다. 디포모르픽 변형은 위상 보존(deformation)을 보장하며, 베이지안 변형은 신뢰도 높은 정합 불확실성 추정을 제공한다. 제안된 모델은 환자 간 및 아틀라스-환자 뇌 MRI 정합, 그리고 펌프-CT 정합을 포함한 세 가지 응용 분야에서 3D 의료 영상을 대상으로 광범위하게 검증되었다. 기존의 다양한 정합 방법 및 트랜스포머 아키텍처와의 비교를 통해 제안된 모델의 성능을 평가하였으며, 정성적 및 정량적 결과를 통해 트랜스포머 기반 모델이 기준 방법 대비 상당한 성능 향상을 이끌어내는 것으로 확인되었다. 이는 트랜스포머가 의료 영상 정합에 있어 효과적인 도구임을 입증한다.