사이클 일관성을 활용한 무감독 3D 변형 이미지 등록 CNN

초록

본 논문은 3차원 간질성 CT 영상의 변형 정합을 위해 사이클 일관성 제약을 도입한 무감독 딥러닝 프레임워크를 제안한다. 두 개의 등록 네트워크(G_AB, G_BA)를 이용해 이미지 A↔B 사이의 변형장 φ_AB, φ_BA를 동시에 학습하고, 사이클 손실(L_cycle)과 정체 손실(L_identity)을 추가함으로써 위상 보존과 변형장의 안정성을 강화한다. VoxelMorph‑1을 기반으로 한 U‑Net 구조와 3D Spatial Transformer를 결합했으며, 다단계 간암 CT 데이터셋에서 기존 방법(VoxelMorph, Elastix) 대비 높은 정확도와 10초 내의 초고속 처리 시간을 달성하였다.

상세 분석

이 연구는 기존 무감독 변형 이미지 등록 방법이 대규모 변형에 취약하고 위상 왜곡(폴딩) 문제가 발생한다는 점을 인식하고, 사이클 일관성(cycle‑consistency)이라는 개념을 이미지 정합에 자연스럽게 적용했다는 점에서 혁신적이다. 두 개의 별도 등록 네트워크 G_AB와 G_BA는 각각 (A, B) → φ_AB, (B, A) → φ_BA 를 출력한다. 여기서 φ는 3‑D 변위 필드이며, 3‑D Spatial Transformer(T) 를 통해 움직이는 이미지(A 또는 B)를 변형한다. 기본 손실 L_register는 전통적인 변분 프레임워크를 차용해 이미지 유사도(L_sim)와 변형장 정규화(L_reg)로 구성되며, 유사도는 교차 상관(cross‑correlation)으로 정의해 CT의 위상 대비 변화를 강인하게 처리한다.

사이클 손실 L_cycle은 φ_AB와 φ_BA가 서로 역변환될 때 원본 이미지와 재구성 이미지가 일치하도록 ‖T(T(A, φ_AB), φ_BA) − A‖₁ 와 ‖T(T(B, φ_BA), φ_AB) − B‖₁ 를 최소화한다. 이는 변형장의 역전 가능성을 강제함으로써 위상 보존을 촉진하고, 특히 큰 변형이 존재하는 간 CT에서 폴딩을 현저히 감소시킨다. 정체 손실 L_identity는 동일 이미지 쌍(A, A) 혹은 (B, B)을 입력했을 때 변형장이 거의 0이 되도록 ‑(T(A, G_AB(A, A)))⊗A 와 ‑(T(B, G_BA(B, B)))⊗B 를 최대화한다. 이는 정적인 해부학적 구조가 불필요하게 움직이지 않도록 제어한다.

네트워크 아키텍처는 VoxelMorph‑1을 기반으로 한 3‑D U‑Net 형태이며, 인코더‑디코더 사이에 스킵 연결을 두어 고해상도 정보를 보존한다. 출력은 φ이며, 이후 T 레이어에서 삼선형 보간을 사용해 변형된 볼륨을 생성한다. 학습은 Adam 옵티마이저(learning rate = 1e‑4)와 배치 크기 1로 50 epoch 동안 진행되었고, GPU 메모리 제한으로 입력을 128³ 로 다운샘플링한 뒤 테스트 시에는 원본 512³ 를 사용했다.

실험은 555개의 다단계 간 CT 스캔(4 phase)으로 훈련하고 50개를 테스트하였다. 평가 지표는 20개의 해부학적 랜드마크 기반 TRE, 종양 크기 오차, 변형장 Jacobian ≤ 0 비율, NMSE 등이다. 결과는 VoxelMorph‑1 대비 TRE가 평균 30 % 감소하고, Elastix 대비 4 배 빠른 10 초 내 처리 시간을 보였다. 특히 사이클 손실을 제외한 경우(Jacobian 비율이 0.0218 → 0.0175)와 정체 손실을 제외한 경우(0.0218 → 0.0218)보다 폴딩 현상이 현저히 줄어들어 위상 보존 효과가 입증되었다. 종양 크기 측정에서도 제안 방법이 가장 낮은 평균 오차를 기록했으며, 이는 임상적 종양 평가에 직접적인 이점을 제공한다.

한계점으로는 현재 3‑D 볼륨 전체를 한 번에 처리하기 위해 메모리 절약을 위해 다운샘플링을 사용했으며, 매우 얇은 슬라이스(5 mm)에서 세밀한 변형을 완전히 복원하기엔 해상도 제한이 있다. 또한 사이클 일관성을 위한 두 네트워크의 파라미터가 중복되므로 모델 경량화에 대한 추가 연구가 필요하다. 향후 연구에서는 멀티스케일 사이클 구조, 변형장 확률적 모델링, 그리고 다른 장기(예: 심장, 뇌) 데이터셋에 대한 일반화 검증이 기대된다.