A Diffeomorphism Groupoid and Algebroid Framework for Discontinuous Image Registration

Each language version is independently generated for its own context, not a direct translation.

1. 문제: 왜 기존 기술은 실패할까요? (부서진 거울의 비유)

상황:
호흡할 때 우리 폐는 늑골과 갈비뼈 사이를 미끄러지듯 움직입니다. 마치 두 개의 유리 조각이 서로 맞닿아 미끄러지듯 움직이는 것과 같습니다.

기존 기술 (LDDMM) 의 한계:
기존의 유명한 이미지 등록 기술 (LDDMM) 은 이미지를 **'완벽하게 부드럽고 연속적인 고무 시트'**로 가정합니다.

비유: 고무 시트를 잡아당기면 모든 부분이 부드럽게 늘어나거나 줄어들지만, 절대로 찢어지거나 갈라지지 않습니다.
문제점: 폐처럼 '미끄러지는' 경계면이 있을 때, 이 고무 시트 방식은 갈라진 틈을 메우려고 애쓰다가 이미지를 흐릿하게 만들거나, 움직임을 잘못 추정하게 됩니다. 마치 찢어진 옷을 꿰매려다가 옷 전체가 찌그러지는 꼴입니다.

2. 해결책: 새로운 수학적 프레임워크 (유리 조각의 군집)

저자들은 이 문제를 해결하기 위해 **'리 군도 (Lie Groupoid)'**라는 새로운 수학적 도구를 도입했습니다.

핵심 아이디어:
이미지를 하나의 거대한 고무 시트가 아니라, 경계선을 따라 갈라진 여러 개의 유리 조각으로 봅니다.

동질적인 영역 (유리 조각 내부): 각 조각 안에서는 여전히 부드럽고 매끄럽게 움직입니다 (미분 동형 사상).
경계선 (미끄러지는 면): 조각과 조각이 만나는 경계선에서는 서로 미끄러지듯 (Sliding) 자유롭게 움직일 수 있습니다.

이처럼 "부드러운 영역"과 "미끄러지는 경계"를 동시에 허용하는 수학적 구조를 **리 군도 (Lie Groupoid)**라고 부릅니다.

3. 어떻게 작동할까요? (유리 조각을 조립하는 과정)

이 새로운 방법은 다음과 같은 단계로 작동합니다.

경계선 찾기: 먼저 폐와 주변 조직이 만나는 '미끄러지는 선 (경계)'을 미리 찾아냅니다. (예: 갈비뼈와 폐가 닿는 선)
조각별 움직임 계산: 이 선을 기준으로 이미지를 두 조각으로 나눕니다.
- 위쪽 조각은 오른쪽으로, 아래쪽 조각은 왼쪽으로 움직여야 한다면, 각각의 조각이 스스로 가장 자연스럽게 움직이는 경로를 계산합니다.
- 이때 조각 내부가 찢어지거나 구겨지지 않도록 (부드러움 유지) 수학적 규칙을 적용합니다.
최적의 흐름 찾기: 이 조각들이 미끄러지면서 최종적으로 두 이미지를 완벽하게 겹치게 만드는 '최적의 흐름'을 찾아냅니다. 이때 오일러-아놀드 방정식이라는 복잡한 수식을 사용해서, 에너지가 가장 적게 들면서 가장 정확한 움직임을 계산합니다.

4. 실험 결과: 왜 이것이 더 좋은가요?

저자들은 인공적으로 만든 이미지와 실제 폐 CT 스캔으로 실험을 했습니다.

기존 방법 (LDDMM): 미끄러지는 경계에서 이미지가 흐릿하게 번지거나 (Blur), 움직임을 제대로 따라가지 못해 잘못된 변형을 보입니다.
기존 방법 (TV 정규화): 경계는 잘 잡지만, 내부 구조가 불자연스럽게 뒤틀리거나 깨지는 경우가 있습니다.
새로운 방법 (이 논문):
- 경계선: 미끄러지는 선을 선명하게 유지합니다.
- 내부 구조: 조각 안의 이미지는 매끄럽고 자연스러운 상태로 유지됩니다.
- 결과: 폐가 숨을 들이마시고 내쉬면서 움직이는 모습을 가장 정확하게 재현해냈습니다.

5. 요약: 이 논문이 우리에게 주는 메시지

이 논문은 **"이미지를 다룰 때, 모든 것이 부드럽게 움직여야 한다는 고정관념을 버리자"**고 말합니다.

세상에는 부드럽게 늘어나는 부분도 있지만, 서로 미끄러지는 부분도 있습니다. 특히 폐나 관절 같은 인체 구조를 분석할 때는 이 '미끄러짐'을 인정하고, 이를 수학적으로 완벽하게 다룰 수 있는 새로운 도구 (리 군도) 를 사용해야만 정확한 진단과 분석이 가능하다는 것을 증명했습니다.

한 줄 요약:

"이미지를 하나의 거대한 고무 시트가 아니라, 경계선에서 미끄러질 수 있는 여러 개의 유리 조각으로 생각하면, 폐의 숨 쉬는 움직임을 훨씬 더 정확하게 잡을 수 있다."

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 제기 (Problem)

배경: 이미지 등록 (Image Registration) 은 컴퓨터 비전 및 의료 영상 처리에서 핵심적인 기술로, 두 개 이상의 이미지 간의 공간적 변형을 찾는 것을 목표로 합니다. 특히 조직의 무결성을 유지해야 하는 의료 영상 (예: 폐 영상) 에서는 미분동형사상 (Diffeomorphism) 을 기반으로 한 변형이 필수적입니다.
기존 방법의 한계: 현재 널리 사용되는 LDDMM (Large Deformation Diffeomorphic Metric Mapping) 프레임워크는 리 군 (Lie Group) 이론에 기반하여 속도장의 연속성과 매끄러움을 가정합니다.
핵심 문제: 호흡 시 폐 조직과 주변 구조물 사이에서 발생하는 **불연속적인 슬라이딩 운동 (Discontinuous Sliding Motion)**과 같은 경우, LDDMM 은 변형 필드가 매끄럽게 처리되어야 한다는 제약으로 인해 이러한 불연속성을 정확히 포착하지 못합니다. 이로 인해 경계면이 흐려지거나 (blurring) 물리적으로 비현실적인 변형이 발생하는 문제가 발생합니다.
목표: 슬라이딩 경계를 따라 불연속성이 허용되되, 균일한 영역 내에서는 여전히 미분동형사상 (Diffeomorphism) 성질을 유지하는 새로운 수학적 프레임워크를 개발하여 불연속 이미지 등록 문제를 해결하는 것입니다.

2. 제안된 방법론 (Methodology)

저자들은 Izosimov 와 Khesin 의 유체 역학 및 기하학적 역학 연구를 확장하여 **불연속 미분동형사상 리 군도 (Discontinuous Diffeomorphism Lie Groupoid)**와 리 알게브로이드 (Lie Algebroid) 기반의 프레임워크를 제안했습니다.

가. 수학적 구조 (Mathematical Framework)

불연속 미분동형사상 군도 ( $DDiff(M)$ ):
- 기존 리 군을 일반화하여, 초곡면 (Hypersurface, 예: 와류 시트) 을 따라 불연속이 발생할 수 있는 변형을 정의합니다.
- $M$ 을 $D^+_{\Gamma}$ 와 $D^-_{\Gamma}$ 로 나누는 초곡면 $\Gamma$ 를 기준으로, 각 영역 내에서 매끄러운 미분동형사상 ( $\phi^+, \phi^-$ ) 을 적용하되 경계면에서는 불연속을 허용합니다.
- 이는 $DDiff(M) \Rightarrow V(M)$ 형태의 리 군도 구조를 가집니다.
불연속 벡터장 리 알게브로이드 ( $DVect(M)$ ):
- 군도에 대응하는 리 알게브로이드로, 초곡면 $\Gamma$ 를 따라 불연속이지만 법선 성분은 연속적인 벡터장들의 공간을 정의합니다.
- 앵커 맵 (Anchor Map): 초곡면의 운동 ( $\partial_t \Gamma$ ) 과 벡터장의 법선 성분을 연결합니다.
- 정규화된 리 괄호 (Regularized Lie Bracket): 불연속 영역에서의 연산을 처리하기 위해 각 영역별 리 괄호를 정의하고, 경계 조건을 통해 보정합니다.
이중 공간 및 푸아송 괄호 (Dual Space & Poisson Bracket):
- 압축성 (Compressible) 경우를 고려하여, 기존 비압축성 유체 모델과 달리 발산 (Divergence) 항을 포함한 수정된 푸아송 괄호를 유도했습니다.
- 이는 이미지 등록에 필요한 밀도 변화 (압축/팽창) 를 자연스럽게 다룰 수 있게 합니다.

나. 최적화 및 오일러 - 아르놀드 방정식 (Optimization & Euler-Arnold Equations)

에너지 함수: 이미지 유사도 항 ( $E_S$ ) 과 정규화 항 ( $E_R$ ) 을 최소화하는 문제를 설정합니다. 여기서 정규화 항은 군도 상의 거리 (Kinetic Energy) 를 기반으로 정의됩니다.
오일러 - 아르놀드 방정식 유도: 리 군도 상의 최적 흐름을 제어하기 위해 변분법을 적용하여 오일러 - 아르놀드 방정식을 유도했습니다.
- 모멘텀 ( $\tilde{m}$ ) 의 시간 진화와 초곡면 ( $\Gamma$ ) 의 운동을 동시에 설명하는 연립 방정식 (식 3.37) 을 얻었습니다.
- 이 방정식은 불연속 경계에서의 점프 조건 (Jump conditions) 을 포함하며, LDDMM 의 EPDiff 방정식을 불연속 영역으로 확장한 형태입니다.

다. 이미지 등록 알고리즘

주어진 고정 이미지와 이동 이미지, 그리고 사전 분할된 슬라이딩 경계 ( $\Gamma$ ) 를 입력으로 받습니다.
유도된 오일러 - 아르놀드 방정식을 수치적으로 풀어 최적의 불연속 변형 필드 ( $\phi$ ) 를 구합니다.
PyTorch 기반의 자동 미분 엔진을 사용하여 구현했습니다.

3. 주요 기여 (Key Contributions)

형태 분석을 위한 리 군도 적용: 리 군 (Lie Group) 기반의 기존 접근법을 넘어, **리 군도 (Lie Groupoid)**를 사용하여 조각별 미분동형사상 (Piecewise Diffeomorphic) 변환을 모델링하는 이론적 기반을 정립했습니다.
압축성 경우의 오일러 - 포앵카레 방정식 유도: 일반 관성 연산자를 가진 리 군도 상에서 압축성 (Compressible) 경우의 오일러 - 포앵카레 방정식을 유도했습니다. 이는 기존 LDDMM 의 EPDiff 방정식을 리 군으로 확장한 것입니다.
불연속 이미지 등록 프레임워크 구현: 슬라이딩 경계를 따라 불연속성을 허용하면서도 균일 영역 내에서는 미분동형사상을 보존하는 수치적 등록 방법을 제시했습니다.

4. 실험 결과 (Results)

저자들은 합성 데이터와 실제 폐 영상을 대상으로 실험을 수행하여 제안된 방법의 효율성을 검증했습니다.

비교 대상: 총변분 (Total Variation, TV) 정규화 방법, 기존 LDDMM 방법.
합성 데이터 (직사각형 및 휠 모양):
- LDDMM: 슬라이딩 운동을 매끄럽게 처리하려다 경계가 흐려지고 (Blurring) 운동 추정이 부정확했습니다.
- TV 방법: 불연속성을 포착했으나, 비현실적인 변형 (예: 격자 왜곡) 을 발생시켰습니다.
- 제안 방법: 슬라이딩 경계에서 불연속성을 정확하게 보존하면서도 매끄러운 변형을 유지하여, LDDMM 과 TV 방법의 단점을 모두 보완했습니다.
실제 폐 영상 (Lung Images):
- 호흡 시 폐와 흉벽 사이의 슬라이딩 운동을 모델링했습니다.
- 제안된 방법은 경계면에서의 불연속성을 정확하게 보존하면서도 내부 조직의 구조적 일관성을 유지했습니다.
정량적 평가:
- Re SSD (상대 제곱 오차 합): 제안 방법이 LDDMM 보다 낮은 오차를 보였습니다.
- NCC (상관 계수) 및 SSIM (구조적 유사도): 제안 방법이 가장 높은 점수를 기록하여 이미지 유사도와 구조적 보존 능력이 우수함을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

의의: 이 연구는 의료 영상, 특히 호흡 운동이 포함된 폐 영상 분석과 종양 방사선 치료 계획 수립에 있어 중요한 진전을 이루었습니다. 기존 LDDMM 의 근본적인 한계인 '연속성 가정'을 리 군도 이론을 통해 해결함으로써, 물리적으로 더 정확한 변형 모델을 제시했습니다.
결론: 제안된 불연속 미분동형사상 군도 프레임워크는 슬라이딩 운동이 있는 이미지 등록 문제를 효과적으로 해결하며, 수학적으로 엄밀한 기반 위에 구축되었습니다.
향후 과제: 슬라이딩 경계의 분할을 자동으로 수행하는 통합 방법 개발과 3D 이미지 등록으로의 확장이 향후 연구 과제로 제시되었습니다.

이 논문은 이미지 등록 분야에서 기하학적 역학 (Geometric Mechanics) 과 리 군도 이론을 성공적으로 적용한 대표적인 사례로, 불연속 변형이 필요한 다양한 응용 분야에 새로운 표준을 제시합니다.