Registration - 다른 각도나 크기, 위치에 있는 두 영상을 매칭시켜주는 영상 정합 기법 MRI Registration 예시 (https://3dqlab.stanford.edu/image-registration/) - Linear한 방식과 non-linear(Deformable)한 방식을 사용함 ▶ Non-linear한 방식을 위해 deep-learning 활용
Linear 방식 vs Non-Linear 방식 (https://colah.github.io/posts/2014-03-NN-Manifolds-Topology/)
Registration의 목적 1) 시계열적 정보 분석 ▶ 환자의 질병 경과 파악 - 동일한 환자가 동일한 모달을 사용하는 경우 2) 여러개의 모달 분석 ▶ 고차원적인 병변 분석 - 동일한 환자가 여러 개의 모달을 사용하는 경우 (ex. T1, T2, Flair 등) 3) Annotation 자동화 ▶ 라벨링비용 및 시간 절감 - 다양한 환자데이터를 동일한 모달에서 사용하는 경우
Registration 방식 1) Linear Registration - Affine, Shear, Translation, Rotation, Scaling 등 2) Non-Linear Registration (Deformable Registration) - Elastic type model, statistical parametric mapping, b-splines, discrete method, demons, NiftyReg, ANT's SyN ▶ 위 방식들은 모두 energy function을 optimize하는 방식으로 연산시간이 매우 오래걸림 - Deep learnig 기반의 deformable registration은 ground-truth에 의존하기 때문에 한계가 있어 Unsupervised learning을 활용한 연구가 주로 진행 중
Deformable Registration (Non-linear Registration) - 선형적이지 않은 뒤틀린 정보를 정합할 수 있는 유연한 registration 기법으로 보다 공간적인 registration 정보를 얻기 위해 활용
Deformable Registration의 장점 및 한계 ○ 장점 - linear한 registration에서 다루지 못하는 변환 가능 - 대부분의 이미지 정합에서 높은 성능 ○ 한계 - Computational resource가 많이 소요되며, 매우 느림 ▶ 실제 사용이 어려움 - Computational resource 한계를 개선하기 위해 deep-learning 기반의 deformable registration 기법이 연구 중
Medical Data의 Deep-learing 활용을 위한 방안 - Transfer Learning(전이학습) - Weakly Supervised Learning - Self-supervision - Semi or Unsupervised Learning
Unsupervised Learning 기반의 Deformable Registration (VoxelMorph) - Ground-truth 없이 learning을 진행하여 resource 절감이 가능함 - VoxelMorph: Unsupervised Learning의 base-line 모델
