Core Concepts
본 연구는 의료 영상 볼륨에서 내측축 변환을 학습하여 해부학적 형상을 효율적으로 재구성하는 방법을 제안한다.
Abstract
본 연구는 의료 영상 볼륨에서 내측축 변환을 학습하여 해부학적 형상을 재구성하는 방법을 제안한다. 기존의 방법은 분할 후 수작업 후처리와 메싱 알고리즘을 거치는 과정이 시간 소모적이었다. 이에 반해 제안하는 방법은 신경망을 통해 내측축 변환을 직접 학습하여 형상을 재구성한다.
구체적으로, 신경망 모델은 입력 볼륨으로부터 이진 분할과 거리 함수를 동시에 예측한다. 거리 함수의 국소 최대값을 이용하여 내측축 변환을 근사하고, 이를 바탕으로 컨볼루션 표면을 생성하여 최종 형상을 재구성한다. 이 과정에서 내측축 변환의 토폴로지 정보를 손실 함수에 반영하여 안정적인 학습을 보장한다.
제안 방법은 기존 방법 대비 정량적으로 우수한 성능을 보였으며, 전문가 평가에서도 시각화와 시뮬레이션 활용도가 높게 평가되었다. 또한 내측축 기반 형상 재구성은 부피 메싱, 공동 분할, 유입/유출 경계면 정의 등 다양한 활용이 가능하다.
Stats
내측축 변환의 국소 최대값은 내측 구체의 반경을 나타낸다.
내측축 변환은 형상의 토폴로지 정보를 포함하고 있다.
내측축 변환을 이용한 컨볼루션 표면은 매끄러운 형상을 생성할 수 있다.
Quotes
"내측축 변환은 형상의 토폴로지 정보를 포함하고 있다."
"내측축 변환을 이용한 컨볼루션 표면은 매끄러운 형상을 생성할 수 있다."