소프트 조직 포인트클라우드 정합에서 거리항에 전역 변형 사전분포를 더한 DINE의 프리프린트 검증

연조직 표면의 비강체 포인트클라우드 정합은 큰 변형과 잡음, 이상치가 섞이면 대응점 추정이 쉽게 흔들린다. 이 동료검토 전 arXiv 프리프린트는 포인트 간 거리만 줄여서는 예측 변형장 전체가 해부학적으로 그럴듯하다고 보장하기 어렵다는 문제를 다룬다. 연구진이 제안한 DINE는 최대사후추정(MAP) 틀로, Chamfer distance로 학습한 1단계 모델의 변위 벡터장(DVF)에서 통계적 사전분포를 얻은 뒤 거리항과 음의 로그 사전항을 함께 써 같은 정합 모델을 정제한다. Robust-DefReg와 DefTransNet 두 백본에 적용했으며, 전체 DVF를 PCA 기반 가우시안으로 모델링하는 방식과 벡터별 RealNVP 계열 사전분포를 비교했다.

검증은 실제 연조직 변형 데이터셋 DeformedTissue와 통제된 합성 벤치마크 SynBench에서 이뤄졌다. DeformedTissue는 변형 수준 0.1부터 0.7까지 7단계를 포함하고, 별도로 잡음과 이상치를 섞은 조건도 제공한다. 모든 표의 지표는 Chamfer distance의 평균±표준편차이며 낮을수록 정합이 좋다. 1단계에서 모은 변형장은 정답이 아니라 정합기가 포착한 대표 변형 패턴의 추정치로 쓰였다는 점도 구분해야 한다.

DeformedTissue에서 DINE-PCA는 각 변형 수준의 1단계 백본보다 Chamfer distance를 약 27~69% 낮췄다. Robust-DefReg는 변형 수준 0.1에서 5.18±3.03이 3.78±3.04로, 0.7에서는 39.49±6.61이 13.03±5.72로 줄었다. DefTransNet도 같은 두 수준에서 4.55±3.17→3.12±3.01, 33.57±7.41→10.57±3.89로 감소했다. 원문은 이상치 조건에서 최대 66%, 가우시안 잡음 조건에서 최대 83%의 개선을 보고한다.

SynBench에서는 가장 작은 변형에서 개선 폭이 크지 않았지만 중간에서 심한 변형으로 갈수록 약 59~79%의 향상이 나타났다. Robust-DefReg는 변형 수준 0.1에서 1.36±1.77→1.20±1.74, 0.8에서 18.03±7.16→3.72±2.95로 낮아졌다. DefTransNet은 같은 조건에서 1.18±1.72→1.08±1.57, 15.17±5.96→3.72±2.57을 기록했다. 논문의 정성 비교에서도 PCA 사전분포를 적용한 2단계 결과는 변형·잡음·이상치 조건의 붉은 고오차 지점을 줄였다. 결국 이 연구가 분리해 보여주는 것은 포인트 간 거리 최소화와 전역적으로 그럴듯한 변형장 추정이 같은 문제가 아니라는 점이다. 실험 범위에서는 학습된 변형 사전분포를 더한 2단계 정제가 큰 변형과 오염 조건에서 정합 오류를 줄였다. 다만 현재는 동료심사 전 arXiv v1 프리프린트이고, 논문에 따르면 코드는 추후 공개될 예정이다.

자료: STORIUM 정리

저작권자 © STORIUM 무단전재 및 재배포 금지