Non-rigid Registration Methods for 3D Brain MRIs using Unsupervised Deep Learning Network
저자
발행사항
서울 : 서울대학교 대학원, 2020
학위논문사항
학위논문(박사)-- 서울대학교 대학원 : 전기·컴퓨터공학부 2020. 8
발행연도
2020
작성언어
영어
주제어
DDC
621.3 판사항(22)
발행국(도시)
서울
기타서명
비지도학습 기반 딥러닝 네트워크를 활용한 3차원 뇌 자기공명 영상의 비강체 정합
형태사항
xiv, 120 p. : 삽화, 표 ; 26 cm
일반주기명
참고문헌 수록
UCI식별코드
I804:11032-000000162942
소장기관
의료영상의 비강체 정합 (Non-rigid registration)은 복잡한 계산을 필요로 하는 분야이다. 또한 높은 정확도와 강건성이 보장된 정합의 결과를 얻는 것은 어려운 문제이다. 기존에는 임상의들이 수동으로 맞추거나, 반복적인 연산을 기반으로 한 자동화 알고리즘을 통해 정합을 수행하였다. 이러한 방식은 많은 계산량으로 인해 실시간으로 결과를 얻을 수 없다는 단점이 있다. 본 논문은 이러한 단점을 극복하여, 실시간으로 수행 가능하면서, 정확도를 보장하는 비강체 정합 방법을 제안한다.
본 논문은 비지도 학습 (Unsupervised learning) 환경에서 3차원 뇌 자기공명 영상 데이터에 딥러닝 네트워크를 이용한 비강체 정합 기법을 제안한다. 최근 의료영상 분야에선 딥러닝 네트워크를 접목하여 다양한 문제들을 해결하고 있다. 그중 정합 분야는 최근 비지도 학습 형태의 네트워크를 사용하여 비강체 정합을 구현하는 연구가 많이 진행되고 있다. 본 논문은 비지도 학습 형태의 기본구조에 U-Net, 정규화된 교차 상관 (Normalized Cross Correlation), 균일화(Regularization) 등을 적용하여 비강체 정합을 구현하였다. 이 방법은 두 영상만을 입력받아 네트워크가 정합을 위한 특징벡터 (Feature vector)를 생성할 수 있도록 학습한다. 여러 세대의 학습을 통해 네트워크 파라미터가 최적화되면, 임의의 두 영상만을 입력으로 받아 단일 패스 변형으로 비강체 정합을 수행한다. 이는 반복적인 최적화 과정을 거치는 비학습 기반의 정합 방법들보다 빠르게 수행할 수 있다.
또한 본 논문은 자기주의 메커니즘 (Self-attention mechanism)을 비지도 학습 기반 비강체 정합에 적용하여 성능을 높이는 방법을 제안한다. 기존의 정합 및 학습 기반 정합 방법의 한계 중 하나는 뇌의 실루엣 위주로 정합이 된다는 점이다. 이를 해결하기 위해 자기주의 메커니즘을 적용하였다. 자기주의 메커니즘은 딥러닝 네트워크에 결합되어 대량의 데이터로부터 특정 과제를 해결하는데 더 중요한 부분을 찾아 활용할 수 있도록 한다. 또한 이것은 지역적 정보와 비지역적 정보를 모두 추출하여 네트워크가 더 많은 정보를 가진 특징 벡터를 만들 수 있도록 한다. 그 결과 기존의 방법이 뇌의 외곽 실루엣을 위주로 변형하려는 한계를 극복하여, 내부의 구조적 특징을 갖는 부분도 함께 정합할 수 있도록 학습한다. 특히 뇌의 많은 구조적 특징을 포함하는 회백질과 뇌실 영역에서 높은 정확도로 정합된다. 제안한 주의 네트워크는 데이터의 전반적인 특성을 고려한 정합을 수행하므로 기존 방법보다 더 정확한 결과를 얻을 수 있다.
실험은 50명의 뇌를 촬영한 3D 자기공명 영상을 가지고 수행하였고, 정합 후의 다이스 유사도 계수 (Dice Similarity Coefficient, DSC) 측정 결과 평균 70.40로 정합 전과 비교하여 약 17.48의 유사도 향상을 확인하였다. 기존 네트워크에 자기주의 블록을 적용한 뒤에도 1초 이내의 수행시간을 보여 실시간 정합이 가능하다. 이러한 방법은 다양한 종류의 의료영상 데이터의 비강체 정합에 활용이 가능하다.
The non-rigid registration of medical images is computationally expensive. In addition, obtaining high accuracy and robustness for reliable image registration is extremely challenging. Traditionally, clinicians performed image registration manually or through computationally expensive automated algorithms in an iterative manner. However, it is impossible to obtain results in real-time due to the large volumes of computations involved. This study overcomes this drawback and proposes a non-rigid registration method that can be performed in real-time and guarantees high accuracy.
This study proposes applying a non-rigid registration to the 3D magnetic resonance images (MRI) of the brain in an unsupervised learning environment using a deep-learning network. Recently, in the field of medical imaging, deep learning networks have been used to solve various problems, including studies on non-rigid registration using unsupervised learning networks. This study implements non-rigid registration by applying U-Net, normalized cross-correlation, and regularization to the basic unsupervised learning network, to generate feature vectors for registration using only two input images. Since the network parameters are optimized through multiple generations of learning, even with only two arbitrary input images, non-rigid registration is performed with a single pass transformation. Therefore, it can perform faster than other non-learning-based registration methods that require iterative optimization processes.
Further, this study proposes a method to improve the performance of the proposed method through a self-attention mechanism. One of the limitations of the conventional and learning-based registration methods is that they mainly focus on the silhouette of the brain. For overcoming this, a self-attention mechanism, in combination with deep learning networks, identifies information of higher importance, from large volumes of data, to find solutions for specific tasks. Furthermore, the proposed mechanism extracts both local and non-local information to create feature vectors with more information. As a result, it overcomes the problem of deforming the outer silhouette of the brain and learns to align with the internal structural characteristics. In particular, high accuracy matching is achieved in the gray matter and cortical ventricle areas with several structural features of the brain. Thus, the proposed attention network performs registration, considering the overall characteristics of the data, thus yielding more accurate matching results than those of the existing methods.
The experiment was performed on 3D MRI sets of the brains of 50 people. The measured average dice similarity coefficient after registration was 70.40%, an improvement of 17.48% compared to that before registration. Even after applying self-attention blocks to existing networks, real-time registration, with execution time of less than a second, is possible. The proposed approach can also be used for non-rigid registration of different types of medical imaging data.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)