학습 기반 의료 영상 정렬에서 그리드 제어 지점의 자유도에 대한 연구

On the Degrees of Freedom of Gridded Control Points in Learning-Based Medical Image Registration

많은 정렬 문제에서 균일하지 않거나 노이즈가 많은 영역에서 문제가 발생하며, 밀집된 3차원 맵 기반 디코더는 불필요하게 높은 차원을 가질 수 있습니다. 희소 제어 지점 파라미터화는 메모리를 줄이고 안정성을 향상시키는 동시에 간결하고 부드러운 변형 표현을 제공합니다. 본 연구는 학습 기반 정렬 네트워크 개발에 필요한 제어 지점에 대해 조사합니다. 본 연구에서는 GridReg이라는 학습 기반 정렬 프레임워크를 제안하며, 이는 밀집된 3차원 맵 기반 디코딩을 희소 그리드에 있는 제어 지점에서의 변위 예측으로 대체합니다. 이러한 설계는 파라미터 수와 메모리를 크게 줄이면서도 정렬 정확도를 유지합니다. 다중 스케일 3차원 인코더 특징 맵을 위치 인코딩과 함께 1차원 토큰 시퀀스로 변환하여 공간적 맥락을 유지합니다. 모델은 이후 크로스-어텐션 모듈을 사용하여 희소 그리드 기반 변형 필드를 예측합니다. 또한, 그리드 적응형 학습을 도입하여 모델이 재학습 없이 추론 시 다양한 그리드 크기로 작동할 수 있도록 합니다. 본 연구는 희소 그리드 사용의 이점을 정량적으로 입증합니다. 전립선, 골반 장기 및 신경학적 구조를 정렬하기 위한 세 가지 데이터 세트를 사용하여, 그리드 제어 변위 필드를 사용했을 때 상당한 성능 향상이 있음을 확인했습니다. 또한, 제안된 방법은 기존 알고리즘과 유사하거나 더 낮은 계산 비용으로 더 우수한 정렬 성능을 제공했습니다. 기존 알고리즘은 DDF(변형 필드) 또는 산점된 주요 지점에 대한 변위를 예측합니다.

Many registration problems are ill-posed in homogeneous or noisy regions, and dense voxel-wise decoders can be unnecessarily high-dimensional. A sparse control-point parameterisation provides a compact, smooth deformation representation while reducing memory and improving stability. This work investigates the required control points for learning-based registration network development. We present GridReg, a learning-based registration framework that replaces dense voxel-wise decoding with displacement predictions at a sparse grid of control points. This design substantially cuts the parameter count and memory while retaining registration accuracy. Multiscale 3D encoder feature maps are flattened into a 1D token sequence with positional encoding to retain spatial context. The model then predicts a sparse gridded deformation field using a cross-attention module. We further introduce grid-adaptive training, enabling an adaptive model to operate at multiple grid sizes at inference without retraining. This work quantitatively demonstrates the benefits of using sparse grids. Using three data sets for registering prostate gland, pelvic organs and neurological structures, the results suggested a significant improvement with the usage of grid-controled displacement field. Alternatively, the superior registration performance was obtained using the proposed approach, with a similar or less computational cost, compared with existing algorithms that predict DDFs or displacements sampled on scattered key points.