즉시 가이드 트레이닝을 통한 의료 영상 정합

이 연구는 기존의 학습 기반 이미지 정합 모델의 성능을 향상시키기 위해 새로운 '플라이-온-더-플라이 가이던스(On-the-Fly Guidance, OFG) 학습 프레임워크를 제안한다. 이는 약한 지도 학습 및 무 supervision 방법의 한계를 해결하는 데 초점을 맞추고 있다. 약한 지도 학습 방법은 레이블 데이터의 부족으로 인해 어려움을 겪으며, 무 supervision 방법은 정확도에 직접적으로 이미지 유사도 지표에 의존한다. 본 연구에서 제안하는 방법은 어떠한 레이블 데이터도 필요 없이, 정합 모델을 지도 학습 방식으로 훈련할 수 있도록 한다. OFG는 미분 가능한 최적화 기법을 활용해 변형 예측을 정교화함으로써 훈련 중에 가상의 진짜 레이블(pseudo-ground truth)을 생성한다. 이를 통해 직접적인 지도 학습이 가능해지며, 변형 예측을 효율적으로 최적화함으로써 추론 속도를 희생하지 않은 채 정합 모델의 성능을 향상시킨다. 제안된 방법은 여러 벤치마크 데이터셋과 주요 모델을 대상으로 실험되었으며, 성능 향상이 두드러졌으며, 학습 기반 정합 모델 훈련을 위한 즉시 사용 가능한 솔루션**(plug-and-play solution)을 제공한다. 코드는 다음과 같은 링크에서 확인할 수 있다: https://github.com/cilix-ai/on-the-fly-guidance