상호 주의를 갖는 재귀적 변형 이미지 등록 네트워크

형태 변화 가능한 이미지 등록은 서로 다른 이미지 간의 공간 변환을 추정하는 중요한 과제로, 의료 영상 분야에서 핵심적인 역할을 한다. 기존 많은 연구들은 다단계 등록을 수행하여 3차원 이미지 등록 성능을 향상시키기 위해 학습 기반 방법을 활용해왔다. 그러나 다단계 접근법은 복잡한 운동이 단일 공간 스케일에서 발생하지 않는 영역의 수용 영역(receptive field) 크기 제한으로 인해 성능에 한계가 있다. 본 연구에서는 재귀적 네트워크 아키텍처와 상호 주의 메커니즘(mutual attention mechanism)을 결합한 새로운 등록 네트워크를 제안하여 이러한 한계를 극복하고자 하였다. 최신 딥러닝 기법들과 비교했을 때, 본 연구에서 제안한 재귀 구조 기반 네트워크는 폐 CT 데이터셋에서 가장 높은 정확도를 달성하였으며, 폐의 경우 Dice 점수 92% 및 평균 표면 거리 3.8mm를 기록하였다. 또한 다양한 크기의 9개 장기를 포함한 복부 CT 데이터셋에서도 매우 높은 정확도를 보였으며, Dice 점수 55% 및 평균 표면 거리 7.8mm를 기록하였다. 또한, 3개의 재귀적 네트워크를 추가하는 것만으로도 추론 시간의 큰 증가 없이 최신 기술 수준의 성능을 달성할 수 있음을 실험을 통해 입증하였다.