CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration

논문 요약: CoRe (Contrastive Learning for Medical Image Registration)

1. 문제 정의 (Problem Definition)

의료 영상 등록 (Medical Image Registration) 은 서로 다른 시점, 다른 환자, 또는 다른 영상 모달리티 (예: CT, MRI) 간의 밀도 높은 해부학적 및 의미론적 대응관계를 확립하는 핵심 과제입니다. 그러나 이 작업은 다음과 같은 두 가지 주요 어려움으로 인해 복잡합니다.

• 영상 외관 변이 (Appearance Variability): 촬영 프로토콜, 장비 하드웨어, 모달리티 차이로 인한 강도 (Intensity) 변화가 발생하여 픽셀 단위 비교가 신뢰할 수 없게 됩니다.
• 비선형 해부학적 변형 (Nonlinear Deformations): 동일한 환자의 시계열 스캔이나 환자 간 비교에서 관찰되는 조직의 복잡한 비강체 (Non-rigid) 변형이 존재합니다.

기존의 방법들은 손으로 설계된 특징 (Hand-crafted features) 이나 지도 학습 (Supervised learning) 에 의존하는데, 전자는 표현력이 부족하고 후자는 정밀하게 정렬된 레이블 데이터 (Ground Truth) 확보가 어렵고 비용이 많이 든다는 한계가 있습니다.

2. 방법론 (Methodology)

저자들은 CoRe라는 새로운 프레임워크를 제안했습니다. 이는 자기지도 학습 (Self-supervised) 기반의 대비 학습 (Contrastive Learning) 을 의료 영상 등록 파이프라인에 통합하여, 특징 추출기 (Feature Extractor) 와 등록 최적화 모듈을 **동시 최적화 (Joint Optimization)**하는 방식입니다.

• 기본 구조:

  • 특징 추출기 (G): 고정 영상 ($I_f$) 과 이동 영상 ($I_m$) 에서 특징을 추출합니다.
  • 프로젝션 헤드 (P): 추출된 특징을 임베딩 공간으로 투영합니다.
  • 최적화 모듈 (H): 투영된 특징을 기반으로 변위장 (Displacement Field, $u$) 을 추정하여 영상을 정렬합니다.

• 핵심 기술: 동시 최적화 (Joint Optimization)
  기존 방법들은 특징 추출기를 미리 학습 (Pre-training) 하거나 등록 단계에서 고정하는 반면, CoRe 는 두 가지 손실 함수를 동시에 최소화합니다.

  1. 등록 손실 (Registration Loss, $L_{reg}$): 생성된 변위장이 페이셜 (Pseudo-ground truth) 과 얼마나 일치하는지 측정합니다. 이는 특징 추출기가 최적화 모듈이 사용하기에 적합한 특징을 생성하도록 유도합니다.
  2. 대비 손실 (Contrastive Loss, $L_c$): 등변성 (Equivariance) 제약을 기반으로 합니다. 동일한 영상에 기하학적 변형 (Affine transformation 등) 을 가했을 때, 변형된 영상에서 추출된 특징과 원본 영상의 변형된 특징 간의 일관성을 enforced 합니다. 이는 조직 변형에 강건한 (Robust) 특징을 학습하게 합니다.
  • 총 손실 함수: $L = L_{reg} + \alpha \cdot L_c$

• 학습 전략:

  • 자기지도 학습: 정렬된 레이블 데이터 없이도 동일한 이미지의 기하학적 증강 (Augmentation) 을 통해 대비 학습 신호를 생성합니다.
  • 가상 레이블 (Pseudo-labels): 초기 무작위 가중치로 생성된 변위장을 정제하여 다음 단계의 지도 신호로 사용하는 자기 학습 (Self-training) 방식을 채택합니다.

3. 주요 기여 (Key Contributions)

1. 통합 최적화 프레임워크: 대비 학습을 등록 파이프라인에 직접 통합하여, 해부학적 변이와 강도 변화에 강건하면서도 등록 작업에 최적화된 밀도 높은 의미론적 특징을 학습합니다.
2. 시너지 효과 증명: 대비 학습 목적과 등록 목적을 동시에 최적화하는 것이 단일 목적 함수로 학습하는 것보다 훨씬 우수한 결과를 낳음을 입증했습니다.
3. 성능 검증: 복부 (AbdomenCT) 및 흉부 (RadChestCT) 데이터셋에서 환자 간 (Inter-patient) 및 환자 내 (Intra-patient) 설정 모두에서 기존 최첨단 (SOTA) 방법들보다 우수한 성능을 달성했습니다.

4. 실험 결과 (Results)

저자들은 AbdomenCT (환자 간 등록, 30 개 CT) 와 RadChestCT (환자 내 등록, 371 개 쌍) 데이터셋을 사용하여 평가를 수행했습니다.

• 정량적 평가 (Dice Similarity Coefficient, DSC):
  • AbdomenCT: CoRe 는 **52.1%**의 DSC 를 기록하여, 기존 하이브리드 방법인 SAMConvex (49.2%) 와 RegCyc (51.1%) 을 능가했습니다.
  • RadChestCT: CoRe 는 **89.4%**의 DSC 를 기록하여 DEEDs (88.5%) 및 SAMConvex (88.1%) 보다 높은 정확도를 보였습니다.
  • 통계적 유의성 (Wilcoxon signed-rank test, p < 0.0001) 을 통해 성능 향상이 우연이 아님을 확인했습니다.
• 변위장 부드러움 (Smoothness): 예측된 변위장의 야코비안 행렬 로그의 표준편차 (SDlogJ) 는 다른 경쟁 방법들과 비교해 유사하거나 우수한 수준을 유지하여 물리적으로 타당한 변형을 생성함을 보였습니다.
• 추론 시간: 학습 기반 방법들 (VoxelMorph 등) 과 유사하게 빠른 추론 속도 (약 1.2~1.9 초) 를 유지했습니다.
• Ablation Study:
  • 등록 손실과 대비 손실을 분리하여 학습하는 것보다 동시 최적화가 성능이 가장 좋았습니다.
  • 흥미롭게도, 단일 모달리티 (CT) 데이터셋에서는 강도 증강 (Intensity augmentation) 이 기하학적 등변성 (Geometric equivariance) 제약만 사용하는 것보다 성능을 저하시켰거나 별다른 이득을 주지 못했습니다. 이는 CT 의 표준화된 강도 값 특성 때문으로 분석됩니다.

5. 의의 및 결론 (Significance)

CoRe 는 의료 영상 등록 분야에서 **특징 학습 (Representation Learning)**과 등록 최적화 (Registration Optimization) 사이의 간극을 해소한 획기적인 접근법입니다.

• 데이터 효율성: 정밀한 정렬 레이블이 필요 없는 자기지도 학습 방식을 통해 데이터 확보의 어려움을 해결했습니다.
• 강건성: 조직 변형에 대한 등변성 (Equivariance) 을 명시적으로 학습함으로써, 복잡한 해부학적 변형이 있는 임상 환경에서도 높은 정확도를 유지합니다.
• 미래 전망: 이 연구는 대비 학습을 등록 프레임워크에 직접 통합함으로써, 기존 하이브리드 방법들의 한계를 극복하고 더 정밀하고 효율적인 의료 영상 정렬을 가능하게 하는 새로운 방향성을 제시합니다.

결론적으로, CoRe 는 특징 추출과 등록 추정을 분리하지 않고 통합적으로 학습함으로써, 기존 최첨단 방법들보다 우수한 정확도와 효율성을 동시에 달성한 새로운 표준을 제시했습니다.