주의 기반 비강직 의료 영상 정합 네트워크

초록

본 논문은 3D UNet과 양방향 교차‑주의(bidirectional cross‑attention) 모듈을 결합한 AD‑RegNet을 제안한다. 지역 적응형 주의 메커니즘으로 해부학적으로 중요한 부위를 강조하고, 다중 해상도 변형장 합성으로 정밀한 비강직 정합을 구현한다. DIR‑Lab 흉부 CT와 IXI 뇌 MRI 두 데이터셋에서 NCC, MSE, SSIM, Jacobian determinant, TRE 등 5가지 지표로 평가했으며, 기존 최첨단 방법들과 경쟁력 있는 정확도와 낮은 연산 비용을 보였다.

상세 분석

AD‑RegNet은 기존 딥러닝 기반 비강직 정합 모델이 대변형을 처리하면서 해부학적 일관성을 유지하는 데 한계를 보였던 점을 보완한다. 핵심 설계는 네 단계로 구성된다. 첫째, 3D UNet 백본을 이용해 고해상도 3차원 특징을 추출하고, 인코더‑디코더 구조에서 스킵 연결을 유지함으로써 저해상도에서 고해상도로 정보를 전달한다. 둘째, 각 레벨의 특징 맵에 대해 양방향 교차‑주의 모듈을 적용한다. 여기서는 이동 이미지와 고정 이미지 각각을 query, key, value 로 변환한 뒤, 이동→고정, 고정→이동 두 방향의 주의 가중치를 계산하고, 가중치 α에 따라 선형 결합한다. 이 과정은 서로 다른 스케일에서 해부학적 대응 관계를 명시적으로 학습하게 하여, 특히 큰 변형이 존재하는 흉부 호흡 움직임이나 뇌 구조 변형을 효과적으로 포착한다. 셋째, 지역 적응형 주의(Regional Adaptive Attention, RAA) 모듈은 3D UNet‑BCA 출력 후 고수준 특징 맵을 비중첩 패치(16³ 또는 24³)로 나누고, 각 패치의 평균 풀링으로 지역 디스크립터를 만든다. 이후 자기‑주의(self‑attention)를 적용해 전역 컨텍스트와 지역 중요도를 반영한 가중치 w_i 를 얻고, 가중합을 통해 최종 특징을 재구성한다. 이 단계는 해부학적으로 의미 있는 영역—예를 들어 폐엽, 심장, 뇌 피질—에 모델이 더 큰 주의를 기울이게 하여 정합 정확도를 향상시킨다. 넷째, 다중 해상도 변형장 합성 단계에서는 각 레벨 l에서 주의‑강화된 특징 A_l 로부터 후보 변형장 φ_l 을 예측하고, 상위 레벨에서 업샘플링된 변형장과 가중치 α_l 로 블렌딩한다. 최종 변형장 Φ_0 은 연속적인 보간 블러를 최소화하도록 한 번만 적용한다. 손실 함수는 유사도 손실(L_sim)과 정규화 항(L_reg)의 가중합이며, L_sim 은 NCC와 MSE를 결합하고, L_reg 은 변형장의 스무딩과 Jacobian determinant 양성(역변형 방지)을 포함한다. 실험에서는 DIR‑Lab 4D CT와 IXI 3D T1‑MRI 두 데이터셋을 사용했으며, NCC, MSE, SSIM, Jacobian determinant, TRE 5가지 지표에서 기존 VoxelMorph, TransMorph, VTN 등과 비교했다. 결과는 특히 TRE와 Jacobian 양성 비율에서 유의미한 개선을 보였으며, 연산 시간은 0.12 s/볼륨 수준으로 실시간 임상 적용이 가능함을 입증한다. 전체적으로 AD‑RegNet은 대변형 상황에서도 해부학적 일관성을 유지하면서 높은 정밀도를 제공하는 효율적인 프레임워크라 할 수 있다.