변형 가능한 의료 영상 정합: 이산적 방법으로 상태의 한계를 설정하며

이 리뷰는 마르코프 무작위장(Markov random field) 공식화와 강력한 이산 최적화 알고리즘을 활용하는 새로운 유연한 이미지 등록 파라다임을 소개한다. 본 연구에서는 유연한 등록을 최소 비용 그래프 문제로 표현하며, 노드는 변형 그리드에 대응하고, 노드 간 연결성은 정규화 제약 조건을 의미하며, 레이블은 3차원 변형을 나타낸다. 이미지 기반(아이콘 기반) 등록과 기하학적(특징점 기반) 등록을 동시에 다루기 위해 각 하위 문제에 대해 하나씩 두 가지 그래픽 모델을 제안한다. 두 그래프는 상호 연결된 변수를 공유함으로써, 임의의 이미지 매칭 기준, 다양한 국소 변형 모델, 정규화 제약 조건을 고려할 수 있는 모듈형이고 강력하며 유연한 공식화를 가능하게 한다. 이에 해당하는 최적화 문제를 해결하기 위해 계산 효율성이 높은 전략과 엄격한 리라크스( relaxation) 대안 두 가지 최적화 전략을 채택하였다. 유망한 실험 결과는 본 방법의 잠재력을 입증한다. 이산적 방법은 전통적인 연속적 방법에 비해 여러 가지 개선점을 제공하므로, 의료 영상 등록 분야에서 중요한 새로운 추세로 부상하고 있다. 제시된 프레임워크가 성능과 계산 복잡도 측면에서 기존의 일반 목적 등록 방법들을 뛰어넘는 몇 가지 핵심 사례를 통해 이를 입증하고 있다. 특히 수술 중 영상( intraoperative imaging)과 같이 계산 시간이 핵심적인 문제인 응용 분야, 또는 대규모 다모달 인구 연구에서 데이터 변동성이 매우 크고 복잡한, 응용에 특화된 매칭 기준이 요구되는 상황에서는 본 방법이 특히 주목할 만한 가치를 지닌다. 제안된 등록 프레임워크는 그래픽 사용자 인터페이스와 관련 논문과 함께, 연구 목적을 위해 Windows 및 Linux 플랫폼용으로 다운로드 가능하며, http://www.mrf-registration.net 에서 제공된다.