변형-회복 확산 모델 (DRDM): 이미지 조작 및 합성을 위한 인스턴스 변형

의료 영상에서 확산 모델은 합성 이미지 생성 작업에서 큰 잠재력을 보여주었습니다. 그러나 이러한 모델은 생성된 이미지와 기존 이미지 간의 해석 가능한 연결에서 종종 어려움을 겪으며 환상을 생성할 수 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 변형 확산 및 회복에 기반한 새로운 확산 생성 모델을 제안합니다. 이 모델은 변형-회복 확산 모델(Deformation-Recovery Diffusion Model, DRDM)으로 명명되었으며, 전통적인 점수/강도 및 잠재적 특징 기반 접근법과 다르게 직접적인 이미지 합성보다는 변형 필드를 통한 형태학적 변화를 강조합니다. 이는 다중 스케일 변형 벡터 필드(Deformation Vector Fields, DVF)를 무작위로 샘플링하고 통합하여 위상 보존 변형 필드 생성 방법을 도입함으로써 달성됩니다. DRDM은 비합리적인 변형 구성 요소를 복원하는 법을 학습하도록 훈련되어, 각 무작위로 변형된 이미지를 현실적인 분포로 복원합니다. 이러한 혁신은 다양한 해부학적으로 그럴듯한 변형의 생성을 촉진하여, 적은 데이터 학습 및 이미지 등록과 같은 하위 작업에서 추가 분석을 위한 데이터 증가 및 합성을 향상시킵니다. 심장 MRI 및 폐 CT에 대한 실험 결과는 DRDM이 다양하고 대규모(10% 이상의 이미지 크기 변형 규모)이며 고품질(접기 비율의 음의 비율이 1% 미만)인 변형 필드를 생성할 수 있음을 보여줍니다. 하위 작업인 2D 이미지 분할 및 3D 이미지 등록에서의 추가 실험 결과는 DRDM에 의해 유의미한 개선이 나타남을 시사하며, 의료 영상 및 그 이상에서 이미지 조작 및 합성을 발전시킬 수 있는 모델의 가능성을 보여줍니다. 우리의 구현은 [https://github.com/jianqingzheng/defdiffᵣec](https://github.com/jianqingzheng/defdiffᵣec)에서 확인하실 수 있습니다.