• 목록

[일시]
2025.05.14

[세미나 주제]
Deep Learning Approach to Deformable Image Registration

[발표자]
김지훈

[요약]
본 세미나에서는 딥러닝 기반 변형 영상 정합(Deformable Image Registration, DIR)의 개념과 최신 연구 동향, 특히 VoxelMorph 프레임워크를 중심으로 한 연구를 소개한다. 영상 정합은 서로 다른 시점이나 시간에 촬영된 영상들을 동일 좌표계로 맞추어 분석할 수 있도록 하는 핵심 기술로, 의료 영상 분야에서 진단, 치료계획, 연구 등에 필수적으로 활용된다. DIR은 강체 정합(Rigid Registration)과 달리 해부학적 변형을 반영할 수 있어 개인별 해부 구조 차이까지 맞출 수 있다는 점에서 중요하다.

전통적인 변형 정합 방법은 이미지 쌍마다 최적화 문제를 해결해야 해 계산 비용이 크고 느린 단점이 있다. 특히 고해상도 데이터나 복잡한 변형 모델에서는 처리 시간이 크게 증가한다. 이에 비해 VoxelMorph는 CNN 기반으로 전체 데이터셋에서 변형 함수를 학습하여, 새로운 이미지 쌍에 대해 즉시 변형장을 예측할 수 있어 매우 빠르고 효율적이다. 학습은 비지도 방식 또는 분할 정보(Annotation)를 활용한 지도 학습 모두 가능하다.

수의학 흉부 X-ray 영상에 VoxelMorph를 적용할 때는 몇 가지 문제점이 존재한다. 자세가 틀어진 비정상 자세 영상은 많으나, 정상 자세 영상은 상대적으로 적어 데이터 불균형이 심하며, 직접 변형 시 해부학적 중요 정보가 손실될 위험이 크다. 따라서 본 연구에서는 정상 자세 영상에서 공통으로 나타나는 해부학적 특징을 추출해 ‘해부학 안내 지도(Anatomical Guidance Map)’를 생성하였다. 이 지도는 주요 장기나 뼈와 같은 해부학적 앵커 영역에 높은 값을 할당해 변형 과정에서 해당 부위의 구조 보존을 유도한다.

또한 정상-비정상 자세 영상 간의 데이터 불균형 문제를 완화하기 위해 Cartesian product pairing 방식을 도입하였다. 이는 정상 자세 영상 한 장과 비정상 자세 영상 여러 장의 모든 조합을 만들어 학습 데이터 수를 크게 늘리는 방법으로, 데이터 다양성을 확보하고 학습의 편향을 줄인다.