Image registration is one of the key processing steps for biomedical image analysis such as diagnosis of disease. Recently, deep learning based supervised and unsupervised image registration methods have been extensively studied due to its excellent performance in spite of ultra-fast computational time compared to the classical approaches. Most of the deep learning algorithms are designed to ensure diffeomorphism for the registration in calculating the deformation vector field. In this paper, based on the observation that a homeomorphic mapping between two topological spaces is as powerful as a diffeomorphism in ensuring the topology preservation and one-to-one mapping, we present a novel unsupervised medical image registration method that trains deep neural network to deform a 3D volume by homeomorphic mapping using a cycle-consistency. Using difficult multiphase liver registration tasks, we evaluate target registration error for the deformed images and demonstrate that the proposed method can provide accurate 3D image registration within a few seconds.
의료영상 정합은 영상 분석을 하기 위한 필수 단계 중의 하나이다. 기존의 정합 방법은 새로운 영상에 대해 정합 시간이 오래 걸리는 반면, 심층 학습 기반의 영상 정합 방법은 빠른 시간 안에 정합이 가능하여 최근 많은 연구가 진행되고 있다. 대부분의 심층 학습 기반 정합 방법은 변형 벡터장을 계산할 때 영상 정합에 대한 미분 동형 사상이 만족하도록 설계가 되어 있다. 이 논문에서는 두 개의 공간에 대한 위상 동형 사상 함수가 미분 동형사상처럼 일대일대응을 만족하고 형상을 보장한다는 것에 기반하여, 위상 동형 사상 함수에 의해 3차원 영상을 변형할 수 있도록 주기적 일관성을 이용하여 심층 신경망을 학습시키는 새로운 비지도 학습 기반의 영상 정합 기법을 제안하였다. 부 쓰는이는 다상의 간 영상을 정합하는 것에 제안한 방법을 적용하여 성능을 살펴보았고, 정량적 평가와 정성적 평가를 통해 제안한 영상 정합 기법이 빠른 시간 안에 정확한 3차원 영상 정합을 가능하게 함을 보였다.
