Image registration is a fundamental task in a variety of medical imaging studies and clinical image analysis such as comparison of patient data with anatomical structures. In order to solve the problems of conventional image registration approaches such as high computational time, recent deep learning supervised and unsupervised methods have been extensively studied due to its excellence performance and fast computational time. In this study, we propose a deep learning-based network for deformable medical image registration using unsupervised learning. In this paper, we solve the image registration optimization problem by modelling a function using convolutional neural network with polyphase decomposition to learn the spatial transformable parameters based on the inputted images and generate the registration field. A spatial transformer is used to reconstruct the output warped image while imposing smoothness constraints on the registration field. With polyphase decomposition, our proposed method learns more features based on the inputted image pairs without the need for any ground-truth registration field. Experimental results using 3D T1 Brain MRI volume scans and comparing with a state-of-the-art image registration methods demonstrated that our method provides a better 3D image registration. Our proposed method utilizes less computational time in registering unseen pairs of input images during inference and can be applied for other unimodal image registration tasks and the hyper-parameters can be adjusted for the specific task.
영상 정합은 의료 영상 및 임상 영상 분석에서 해부학적인 구조를 토대로 환자의 데이터를 비교할 때 필요한 기본적인 작업이다. 큰 계산량을 요구하는 전통적인 영상 정합 방법의 문제점을 해결하기 위해, 빠른 계산 시간 및 우수한 성능을 가지는 심층 학습 기반의 지도 학습 및 비지도 학습 방법들이 최근에 활발하게 연구되었다. 본 연구에서는 비지도 학습을 이용하여, 변환 가능한 의료 영상 정합을 위한 심층 학습 기반의 네트워크를 제안하였다. 본 논문에서는 입력 이미지를 기반으로 공간 변환 가능한 파라미터를 학습하고 정합 영역을 생성하기 위해, 다상 분해를 가진 합성곱 신경망을 사용하여 함수를 모델링함으로써 이미지 정합 최적화 문제를 해결한다. 공간 변환기는 정합 영역이 매끄러워 지도록 하며, 출력 영상을 재구성하는 데 사용된다. 다상 분해를 통해서, 제안된 방법은 실제의 정합 영역 없이 입력된 영상들에 기반해서 더 많은 특징들을 배울 수 있다. 3차원 T1 뇌 자기공명영상을 이용한 실험 결과와 최신의 영상 정합 방법들과의 비교를 통해 제안한 방법이 더 나은 3차원 영상 정합을 보여준다는 것을 확인하였다. 제안한 방법은 입력 영상들을 정합할 때 더 적은 계산 시간이 요구되고, 다른 단봉 영상 정합 작업에도 적용될 수 있으며, 변수들이 특정한 작업에 맞춰질 수 있다.
