[논문 리뷰] Deep Learning for Medical Image Registration: A Comprehensive Review

Subrato Bharati, M. Rubaiyat Hossain Mondal외 2명|arXiv (Cornell University)|2022. 04. 24.

Radiomics and Machine Learning in Medical Imaging인용 수 22

한 줄 요약

본 논문은 감독학습, 비감독학습, GAN 기반 및 심층 반복적 접근법을 포함하여 의학 영상 정합의 딥러닝 기반 방법을 조사하고, 단일모드 및 다중모드 영상에서의 적용을 다루며, 도전과제와 향후 방향을 논의한다.

ABSTRACT

Image registration is a critical component in the applications of various medical image analyses. In recent years, there has been a tremendous surge in the development of deep learning (DL)-based medical image registration models. This paper provides a comprehensive review of medical image registration. Firstly, a discussion is provided for supervised registration categories, for example, fully supervised, dual supervised, and weakly supervised registration. Next, similarity-based as well as generative adversarial network (GAN)-based registration are presented as part of unsupervised registration. Deep iterative registration is then described with emphasis on deep similarity-based and reinforcement learning-based registration. Moreover, the application areas of medical image registration are reviewed. This review focuses on monomodal and multimodal registration and associated imaging, for instance, X-ray, CT scan, ultrasound, and MRI. The existing challenges are highlighted in this review, where it is shown that a major challenge is the absence of a training dataset with known transformations. Finally, a discussion is provided on the promising future research areas in the field of DL-based medical image registration.

연구 동기 및 목표

• DL 기반 의학 영상 정합 연구의 필요성을 제고하고 기존 접근법을 분류한다.
• 감독학습, 이중 감독학습, 약지도 감독학습 정합 패러다임을 요약한다.
• 유사도 기반, GAN 기반, 심층 반복적 정합 방법을 검토한다.
• 도전적인 데이터 이슈와 다양한 영상 모달리티(X선, CT, 초음파, MRI)를 논의한다.
• 본 분야의 향후 연구 방향을 제시한다.

제안 방법

• 정합 방법을 감독, 약지도 감독, 비지도 카테고리로 분류한다.
• DL에서 사용되는 유사도 기반 및 GAN 기반 정합 접근법을 설명한다.
• 딥 유사도 기반 및 강화학습 기반 전략을 강조한 심층 반복적 정합을 설명한다.
• 단일모드 및 다중모드 정합의 응용 분야와 영상 모달리티를 조사한다.
• 알려진 변환 값을 갖는 데이터셋의 부족과 같은 주요 도전과제를 식별한다.

실험 결과

연구 질문

• RQ1 의학 영상 정합의 주요 DL 기반 범주와 그 특성은 무엇인가?
• RQ2 DL에서 감독적, 약지도 감독적, 비지도 정합 방법은 어떻게 비교되는가?
• RQ3 정합에서 유사도 기반, GAN 기반, 심층 반복 접근법의 역할은 무엇인가?
• RQ4 DL 기반 정합의 주요 응용 분야와 영상 모달리티는 무엇인가?
• RQ5 이 분야의 주요 도전과제와 향후 방향은 무엇인가?

주요 결과

• 본 고찰은 감독, 이중 감독, 약지도 감독 정합 프레임워크를 다룬다.
• 비지도 정합은 유사도 기반 및 GAN 기반 전략을 통해 논의된다.
• 심층 반복적 정합은 심층 유사도 기반 및 강화 학습 방법에 중점을 두고 기술된다.
• 응용 분야는 X-ray, CT, 초음파, MRI 를 포함한 단일모드 및 다중모드 영상에 걸친다.
• 주요 도전과제로는 알려진 실제 변환 값을 갖는 학습 데이터의 부재가 지적된다.
• 본 논문은 DL 기반 의학 영상 정합의 유망한 향후 연구 방향을 제시한다.