그리드 제어점 기반 의료 영상 등록의 자유도와 효율성

**배경 및 동기** 의료 영상 등록은 서로 다른 모달리티, 시간점, 혹은 환자 간의 해부학적 차이를 정합하는 핵심 기술이다. 전통적인 최적화 기반 방법은 파라미터 수가 제한된 변형 모델(예: B‑spline FFD)이나 고차원 자유도를 갖는 변형을 반복적으로 최적화한다. 최근 딥러닝 기반 등록은 인코더‑디코더 구조를 통해 **dense displacement field(DDF)** 를 직접 예측함으로써 실시간 추론을 가능하게 했지만, 고해상도 볼륨 전체에 대해 변위를 예측해야 하므로 파라미터 수와 메모리 요구량이 급증한다. 특히 동질 조직 영역이나 잡음이 많은 부위에서는 과도한 자유도가 오히려 잡음을 증폭시켜 정합 품질을 저하시킨다. **연구 목표** 본 연구는 **그리드 제어점**이라는 희소한 변형 파라미터 집합을 이용해 자유도를 조절하고, 이를 통해 메모리·연산 효율성을 높이면서도 정합 정확도를 유지하거나 향상시키는 방법을 제시한다. 구체적으로는 (1) 희소 그리드 기반 변위 예측 모델인 **GridReg**을 설계, (2) 교차‑어텐션을 활용해 그리드와 인코더 토큰을 연결, (3) 훈련 시 다중 그리드 크기를 샘플링해 **그리드‑어댑티브** 모델을 구현한다. **모델 구조** - **인코더**: 3D Conv 블록을 여러 스케일로 쌓아 피처 맵을 추출하고, 각 스케일을 1D 토큰 시퀀스로 플래튼한다. 위치 정보를 보존하기 위해 sinusoidal 혹은 학습형 positional encoding을 적용한다. - **그리드 쿼리**: 목표 해상도 (g_w, g_h, g_d) 에 따라 G = g_w·g_h·g_d 개의 제어점 좌표를 생성하고, 이를 임베딩(ψ)하여 어텐션 쿼리(Q)로 변환한다. - **교차‑어텐션 디코더**: Q와 인코더 토큰의 K, V를 사용해 스케일‑인variant 어텐션을 수행한다. 각 제어점은 자신의 로컬 토큰 집합에 집중해 변위 μ와 불확실성 σ를 추정한다. 어텐션 헤드 수(H)와 차원(d)는 그리드 크기에 독립적이다. - **보간**: 예측된 희소 변위는 trilinear, B‑spline 혹은 전이(convolution) 기반 보간을 통해 dense DDF로 확장된다. 보간 단계는 기존 FFD와 동일한 수학적 기반을 사용하므로, downstream loss(예: 이미지 유사도, 정규화)와 자연스럽게 결합된다. **그리드‑어댑티브 학습** 훈련 시 그리드 크기를 균등 분포 U{(5,5,5),(8,8,8),(10,10,10),(15,15,15)} 로 샘플링한다. 각 샘플에 대해 위치 임베딩 ϕ(g_w,g_h,g_d) 를 동적으로 생성하고, 동일한 어텐션 파라미터를 재사용한다. 이렇게 하면 하나의 네트워크가 여러 해상도에 대해 학습하고, 검증 단계에서 가장 성능이 좋은 그리드 크기를 선택해 최종 모델로 고정할 수 있다. **실험 설정** - **데이터**: (1) 전립선 MRI (2) 골반 CT/MRI (3) 뇌 MRI. 각각 200~300쌍의 이미지와 해당 해부학적 라벨을 사용. - **비교 대상**: VoxelMorph, TransMorph, KeyMorph(산점 제어점 기반) 등. - **평가 지표**: Dice coefficient, Hausdorff distance, GPU 메모리 사용량, 추론 시간, 변형 매끄러움(gradient norm). **주요 결과** - **정확도**: GridReg(5³) 은 기존 dense 모델 대비 평균 Dice 0.842 → 0.848 (+0.6%)를 기록했고, GridReg(15³) 은 0.851 (+1.1%)을 달성했다. - **효율성**: GPU 메모리 사용량이 30~45% 감소했으며, 추론 시간은 0.12s → 0.08s 로 약 1.5배 가속. - **변형 규칙성**: 변형 그래디언트의 L2 norm이 dense 모델보다 15~20% 낮아, 물리적으로 더 타당한 변형을 생성함을 확인. - **그리드 선택**: 검증 단계에서 데이터셋 별 최적 그리드 크기가 다르게 나타났으며, 전립선은 8³, 골반은 10³, 뇌는 15³ 가 가장 높은 Dice를 제공했다. **논의** 희소 그리드 기반 접근은 **자유도 감소 = 내재적 정규화** 효과를 제공한다. 이는 특히 잡음이 많거나 해부학적 구조가 균일한 영역에서 과적합을 방지한다. 또한, 다중 그리드 학습은 모델을 하나만 유지하면서 다양한 임상 요구에 맞춰 해상도를 조절할 수 있게 해, 배포 비용을 크게 낮춘다. 한계점으로는 매우 복잡한 비선형 변형을 필요로 하는 경우 그리드 해상도를 충분히 높여야 하며, 그에 따라 메모리·연산 비용이 다시 증가한다는 점이다. 또한 현재는 정규 격자 형태만 지원하므로, 비정형 해부학적 구조(예: 혈관망)에는 추가적인 비정형 제어점 또는 그래프 기반 확장이 필요하다. **결론** GridReg은 희소 그리드 제어점을 활용해 변형 자유도를 효율적으로 조절함으로써, 기존 dense 디코더 대비 **정확도·효율성·규칙성** 삼위일체를 달성한다. 그리드‑어댑티브 학습 기법은 하나의 모델로 다중 해상도 요구를 충족시켜, 메모리 제한 환경에서도 실시간 의료 영상 등록을 가능하게 한다. 향후 연구에서는 비정형 제어점, 멀티모달 통합, 그리고 임상 워크플로우에의 직접 적용을 목표로 확장될 예정이다.