[20250217 통합세미나] Unsupervised Deformable Image Registration
페이지 정보
본문
[일시]
2025.02.17
[세미나 주제]
Unsupervised Deformable Image Registration
[발표자]
장효영
[요약]
본 발표에서는 비지도학습 방식의 의료 영상 정합을 제안한다.
Deformable Image Registration은 서로 다른 두 영상에 대한 정렬을 위해 복셀 혹은 픽셀단위의 transformation field를 예측하는 방식으로 진행된다.
금일 소개한 논문은 기존 각 이미지 pair data에 대해 독립적이고 반복적으로 최적화를 수행하였던 전통적인 정합 방식에서 정합의 문제를 parametric function으로 정의하여 파라미터 최적화를 통해 빠르게 영상 정합을 수행하는 모델을 제안한 논문이다. 제안 방법론은 CNN을 사용하여 Convolution layer의 kernel을 포함하는 파라미터 𝜃를 기반으로 Moving image와 Fixed image간의 픽셀 혹은 복셀 단위의 변위를 산출하는 registration field를 계산하였으며, 해당 field를 기반으로 선형 보간법을 통해 새로운 정합 이미지 Moved image를 산출하였다.
특히, spatial transformer의 선형보간법으로 역전파가 가능한 연산 구조로 좀 더 정밀하고 유연한 이미지 정합을 수행할 수 있다는 점에서 논문의 background로 설명한 STN의 중요성을 강조할 수 있었다.
또한 기존 연구에서 segmentation기반의 Auxiliary loss를 추가하여 해부학적 구조를 최대한 반영한 학습 메커니즘으로 확장한 연구에 착안하여, segmentation이 아닌 detected box를 기반한 organic specific한 방법론을 제안하였다.
[질문 사항]
1. Moving Image와 Fixed Image의 차이점
Fixed image는 정합의 기준이 되는 이미지로써 고정된 상태에서 정렬 대상으로 reference로 활용되는 이미지를 뜻하며
Moving Image의 경우 fixed image에 맞춰 정렬해야하는 이미지를 뜻합니다.
본 연구에서는 같은 환자에 대한 다른 시간 영상대 혹은 수술 전후의 영상 비교 등 동일한 해부학적 구조를 나타내지만 상이한 이미지 데이터에 대한 정합을 수행하였습니다. Fixed image의 경우 한 가지 이미지로 활용을 하였으나, 해부학적 구조가 동일하며 기준 이미지에 대한 변동성이 크지 않다면 여러가지의 fixed image를 활용할 수도 있습니다.
2. STN만을 활용한 방법론으로 one-dataset에서의 이미지 정합을 수행하는 방법론
우선 핵심적으로 저희가 진행하고자 하는 연구는 기준점, 즉 정상 촬영된 이미지에 대한 기준을 바탕으로 이미지 정합을 수행하는 연구입니다. 만약 잘못촬영된 이미지들과 정상촬영된 이미지들을 한 데이터 셋에 묶어서 정합을 시도할 경우 기준점이 없어 데이터의 변동성이 커져 정상이미지 혹은 기준을 잡고자하는 이미지로의 정합이 어렵다고 판단이 됩니다.
또한 STN은 이미지에 대한 기준점을 기반한 상대적 정렬이 아닌 단순 feature transformation의 관점에서 진행된 연구입니다.
3. Dice score를 활용한 loss에 대한 의문 사항
Dice score에 대한 높은 성능으로 기존 moving이미지가 fix 이미지로 과도한 변형이 일어나 원본 구조가 소실될 가능성을 제기하였는데, 본 연구에서는 이러한 이유에서 Lsmooth와 그에대한 상수인 람다를 추가하여 과도하거나 급격한 변형을 방지하여 moving image의 원본 구조를 유지하였습니다.
[관련 논문]
- Spatial Transformer Networks
- An Unsupervised Learning Model for Deformable Medical Image Registration
- VoxelMorph: A Learning Framework for Deformable Medical Image Registration
[발표 영상]
https://us02web.zoom.us/rec/share/YpIEqEytqLigMOuz9Lnuf4d5iB6ALVnntd3UH5E2lfXqmD3qWxTLts-Go5i73A.hoRZge7rulop9LK0?startTime=1739764947000
2025.02.17
[세미나 주제]
Unsupervised Deformable Image Registration
[발표자]
장효영
[요약]
본 발표에서는 비지도학습 방식의 의료 영상 정합을 제안한다.
Deformable Image Registration은 서로 다른 두 영상에 대한 정렬을 위해 복셀 혹은 픽셀단위의 transformation field를 예측하는 방식으로 진행된다.
금일 소개한 논문은 기존 각 이미지 pair data에 대해 독립적이고 반복적으로 최적화를 수행하였던 전통적인 정합 방식에서 정합의 문제를 parametric function으로 정의하여 파라미터 최적화를 통해 빠르게 영상 정합을 수행하는 모델을 제안한 논문이다. 제안 방법론은 CNN을 사용하여 Convolution layer의 kernel을 포함하는 파라미터 𝜃를 기반으로 Moving image와 Fixed image간의 픽셀 혹은 복셀 단위의 변위를 산출하는 registration field를 계산하였으며, 해당 field를 기반으로 선형 보간법을 통해 새로운 정합 이미지 Moved image를 산출하였다.
특히, spatial transformer의 선형보간법으로 역전파가 가능한 연산 구조로 좀 더 정밀하고 유연한 이미지 정합을 수행할 수 있다는 점에서 논문의 background로 설명한 STN의 중요성을 강조할 수 있었다.
또한 기존 연구에서 segmentation기반의 Auxiliary loss를 추가하여 해부학적 구조를 최대한 반영한 학습 메커니즘으로 확장한 연구에 착안하여, segmentation이 아닌 detected box를 기반한 organic specific한 방법론을 제안하였다.
[질문 사항]
1. Moving Image와 Fixed Image의 차이점
Fixed image는 정합의 기준이 되는 이미지로써 고정된 상태에서 정렬 대상으로 reference로 활용되는 이미지를 뜻하며
Moving Image의 경우 fixed image에 맞춰 정렬해야하는 이미지를 뜻합니다.
본 연구에서는 같은 환자에 대한 다른 시간 영상대 혹은 수술 전후의 영상 비교 등 동일한 해부학적 구조를 나타내지만 상이한 이미지 데이터에 대한 정합을 수행하였습니다. Fixed image의 경우 한 가지 이미지로 활용을 하였으나, 해부학적 구조가 동일하며 기준 이미지에 대한 변동성이 크지 않다면 여러가지의 fixed image를 활용할 수도 있습니다.
2. STN만을 활용한 방법론으로 one-dataset에서의 이미지 정합을 수행하는 방법론
우선 핵심적으로 저희가 진행하고자 하는 연구는 기준점, 즉 정상 촬영된 이미지에 대한 기준을 바탕으로 이미지 정합을 수행하는 연구입니다. 만약 잘못촬영된 이미지들과 정상촬영된 이미지들을 한 데이터 셋에 묶어서 정합을 시도할 경우 기준점이 없어 데이터의 변동성이 커져 정상이미지 혹은 기준을 잡고자하는 이미지로의 정합이 어렵다고 판단이 됩니다.
또한 STN은 이미지에 대한 기준점을 기반한 상대적 정렬이 아닌 단순 feature transformation의 관점에서 진행된 연구입니다.
3. Dice score를 활용한 loss에 대한 의문 사항
Dice score에 대한 높은 성능으로 기존 moving이미지가 fix 이미지로 과도한 변형이 일어나 원본 구조가 소실될 가능성을 제기하였는데, 본 연구에서는 이러한 이유에서 Lsmooth와 그에대한 상수인 람다를 추가하여 과도하거나 급격한 변형을 방지하여 moving image의 원본 구조를 유지하였습니다.
[관련 논문]
- Spatial Transformer Networks
- An Unsupervised Learning Model for Deformable Medical Image Registration
- VoxelMorph: A Learning Framework for Deformable Medical Image Registration
[발표 영상]
https://us02web.zoom.us/rec/share/YpIEqEytqLigMOuz9Lnuf4d5iB6ALVnntd3UH5E2lfXqmD3qWxTLts-Go5i73A.hoRZge7rulop9LK0?startTime=1739764947000
첨부파일
-
20250217_장효영_Unsupervised Deformable Image Registraion.pdf (1.3M)
DATE : 2025-02-17 18:03:26
- 이전글[20250312 통합세미나] Contrastive Learning with Mixup Augmentation for Classification of Histopathological Patterns 25.03.16
- 다음글[20250217 통합세미나] NAS for Medical Image Segmentation 25.02.17
댓글목록
등록된 댓글이 없습니다.