[논문 리뷰] Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

Athena Taymourtash, S. Mazdak Abulnaga외 3명|arXiv (Cornell University)|2026. 03. 17.

Fetal and Pediatric Neurological Disorders인용 수 0

한 줄 요약

이 논문은 공유 태반 템플릿과 항공학적 흐름을 학습하여 각 태반을 표준 공간으로 매핑하는 부피 규칙화된 암묵적 아틀라스 프레임워크를 제시합니다. 이를 통해 조밀한 보셀-단위 강도 맵핑과 견고한 내부 변형을 가능하게 합니다.

ABSTRACT

Establishing dense volumetric correspondences across anatomical shapes is essential for group-level analysis but remains challenging for implicit neural representations. Most existing implicit registration methods rely on supervision near the zero-level set and thus capture only surface correspondences, leaving interior deformations under-constrained. We introduce a volumetrically consistent implicit model that couples reconstruction of signed distance functions (SDFs) with neural diffeomorphic flow to learn a shared canonical template of the placenta. Volumetric regularization, including Jacobian-determinant and biharmonic penalties, suppresses local folding and promotes globally coherent deformations. In the motivating application to placenta MRI, our formulation jointly reconstructs individual placentas, aligns them to a population-derived implicit template, and enables voxel-wise intensity mapping in a unified canonical space. Experiments on in-vivo placenta MRI scans demonstrate improved geometric fidelity and volumetric alignment over surface-based implicit baseline methods, yielding anatomically interpretable and topologically consistent flattening suitable for group analysis.

연구 동기 및 목표

• Population 수준 분석을 위한 태반 형태 간 조밀한 부피 대응의 필요성 제시.
• 공유 템플릿에 대한 SDF 재구성과 신경 미분가능 흐름을 연결하는 부피 암묵적 모델 개발.
• 왜곡을 접고 위상 보존 변형을 보장하기 위한 내부 부피 규칙화 도입.
• 추가 최적화 없이도 표준 템플릿으로 피험자 MRI의 보셀-단위 강도 매핑 가능.
• 기하학적 적합도와 디프모픽 안정성이 표면 기반 기준선보다 향상됨을 입증

제안 방법

• 공유 템플릿 SDF에 대해 테트라헤드럴 내부 샘플 전체에 정의된 부피적이고 디프모픽한 변환을 강제하여 Deep Implicit Templates(DIT) 확장.
• 변환을 시간 연속 흐름 Phi를 갖는 잠재 조건부 신경 속도장 v로 모델링하고 순방향/역방향 적분(ODE 기반)으로 디프모피즘 보장.
• 흐름을 K개의 정지 하위 필드로 이산화하고 재구성, 변위 규칙화, 부피 규정 규칙화를 결합한 손실로 학습.
• 접어 folding을 억제하기 위한 야코비 행렬식 패널티와 매끄러운 부피 궤적을 촉진하는 바이하모닉 패널티로 내부 변형 규제.
• learned inverse diffeomorphic flow와 테트라헤드럴 임베딩의 바리센트릭 보간을 사용하여 피험자 MRI를 템플릿 공간으로 끌어와 표준 공간으로의 강도 맵핑 수행.
• 템플릿, 변환, 잠재 코드의 공동 최적화를 통해 모든 피험자에 대해 엔드 투 엔드로 학습.

실험 결과

연구 질문

• RQ1 부피적 암묵적 모델과 디프모픽 흐름이 조밀한 대응을 가진 안정적인 인구 범위의 태반 템플릿을 학습할 수 있는가?
• RQ2 내부 부피 규칙화(Jacobian, biharmonic)가 디프모픽 안정성을 개선하고 내부 왜곡을 줄여주는가?
• RQ3 피험자별 최적화 없이도 보셀-단위 강도 맵을 고충실도로 표준 공간으로 전달할 수 있는가?
• RQ4 학습된 매핑이 포즈 변화(예: 서로 다른 자궁 위치)에서도 일관되고 가역적인 변형을 보이는가?

주요 결과

• 제안된 방법은 베이스라인보다 더 나은 디프모피즘 지표(뒤집힘 비율 저하, logDet-L1 저하, 순환 오차 저하)를 보여 더 역방향 가능하고 부피 보존 성향이 높은 변형을 나타냄.
• 부피 규칙화는 부피, 면적, 모서리에서 왜곡이 더 낮아지고 이산 라플라시안 에너지가 낮아 내부 변형이 더 부드럽게 나타남.
• 공유 템플릿에 대한 조밀한 대응이 시각적/정량적으로 일관되어 템플릿 버텍스에서의 색상 매핑이 일관적으로 가능하게 함.
• 내부 강도 맵핑은 표준 공간으로의 반복 피험자 최적화 없이도 태반 MRI를 납작하게 펼쳐주며 자엽과 혈관 구조를 보존함.
• 삭제 연구에서 이차-바하모닉 규칙화가 접힘 회피 및 라플라시안 에너지 개선에 가장 큰 기여를 하면서도 표면 정확도는 유지됨.