변형 가능한 의료 영상 정합을 위한 경량화된 직사각형 분해 대커널 컨볼루션 네트워크.

의료 영상 정합의 성능과 속도는 고도화된 딥러닝 기반 방법에 의해 크게 향상되었으나, 현재 대부분의 방법은 입력 영상 간 큰 변형에 직면해 있으며, 이는 모델의 수용 영역을 확대하고 장거리 공간적 관계를 효과적으로 모델링함으로써 정합 성능을 향상시키기 위해 계산 비용을 희생해야 하는 문제를 수반한다. 본 논문에서는 계산 비용을 낮추면서도 큰 변형을 가진 영상의 정합 성능을 향상시키기 위해, 넓은 수용 영역과 장거리 공간적 관계를 모델링할 수 있는 경량화된 정합 모델인 LL-Net을 제안한다. LL-Net의 핵심 구성 요소는 직사각형 분해 대규모 커널 주의((Rectangular Decomposition Large Kernel Attention, RD-LKA) 층과 공간 및 채널 융합 주의(Spatial and Channel Fusion Attention, SC-Fusion) 층으로 구성된다. RD-LKA 층은 이방성 깊이-wise 대규모 커널 합성곱을 활용하여 매우 낮은 파라미터 수로 넓은 수용 영역을 확보하면서도 장거리 공간적 관계를 효과적으로 모델링할 수 있다. 또한 SC-Fusion 층은 모델의 특징 융합 능력을 강화하고 중요한 위치의 특징 표현을 강화한다. 제안한 LL-Net은 다양한 데이터셋에서 최신 기술 수준의 성능을 보였다. 구체적으로, IXI 데이터셋에서 Dice 점수 76.7%, HD95 2.983 mm를 달성하였으며, OASIS 데이터셋에서는 Dice 점수 87.8%, HD95 1.042 mm를 기록하였다. 실험 결과는 LL-Net이 넓은 수용 영역을 효과적으로 포착하고 장거리 공간적 관계를 모델링하는 데 있어 뛰어난 효율성을 입증한다. LL-Net의 코드는 https://github.com/BoyOfChu/LL_Net 에서 공개되어 있다.