醫(yī)學圖像配準在放射治療計劃、手術導航及多模態(tài)影像融合中發(fā)揮著關鍵作用。然而，無監(jiān)督多模態(tài)配準方法常常受到灰度分布差異、解剖結(jié)構異質(zhì)性和生理運動變異 的影響，導致配準精度不足。
近日，中國科學院深圳先進技術研究院醫(yī)工所秦文健研究員團隊針對無監(jiān)督配準算法在復雜多模態(tài)場景中面臨的挑戰(zhàn)，創(chuàng)新性提出了一種新的多模態(tài)相似性評估器（SynMSE），有效解決了配準過程中的分布差異難題。該成果以"SynMSE: A multimodal similarity evaluator for complex distribution discrepancy in unsupervised deformable multimodal medical image registration"為題，發(fā)表在醫(yī)學圖像分析領域知名期刊 Medical Image Analysis上。
研究團隊提出了一種全新的解耦空間與分布信息的無監(jiān)督配準框架。具體而言，團隊設計了一個基于 Structure-Constrained CycleGAN 的生成器，用于模擬模態(tài)間的灰度差異并保持解剖拓撲一致性；同時，通過隨機變換與偽影像生成分離空間錯位與分布差異，使 SynMSE 評估器能夠忽略模態(tài)特有的灰度差異，聚焦于空間對齊，從而作為即插即用的相似性度量模塊無縫集成于任意配準網(wǎng)絡中。
研究結(jié)果表明，SynMSE 在L2R 2022 CT-MR腹部數(shù)據(jù)集、臨床宮頸CT-MR數(shù)據(jù)集以及CuRIOUS MR-US腦數(shù)據(jù)集上均取得了最優(yōu)配準性能。與傳統(tǒng)方法相比，SynMSE顯著提升了Dice系數(shù)、降低了HD95與TRE誤差，實現(xiàn)了在復雜模態(tài)差異下的高精度解剖結(jié)構對齊。圖4-圖6分別為所提出方法在三個數(shù)據(jù)集上的定性結(jié)果展示，紅色標注代表固定圖像的目標器官區(qū)域，黃色標注代表浮動圖像與配準后圖像的目標器官區(qū)域。表示圖中結(jié)果顯示，SynMSE更好的克服了多模態(tài)圖像間的復雜分布差異，不僅實現(xiàn)了更精確的配準效果，而且有效保持了組織邊界與解剖拓撲的完整性，明顯優(yōu)于現(xiàn)有方法。
中國科學院深圳先進技術研究院秦文健研究員為通訊作者，碩士生朱靜珂為第一作者。中國科學院深圳先進技術研究院謝耀欽研究員、遼寧省腫瘤醫(yī)院孫德宇、崔明，香港理工大學蔡璟教授為論文的共同作者。該研究獲得國自然聯(lián)合重點、深圳市基礎重點、國家重點研發(fā)、深港腫瘤圖像智能計算分析聯(lián)合實驗室和中國科學院青促會等項目支持。
圖1：文章上線截圖，原文鏈接https://www.sciencedirect.com/science/article/pii/S1361841525001677?sessionid=1950329661
圖2：多模態(tài)醫(yī)學圖像配準的復雜分布差異問題
圖3：所提出方法架構圖
圖4：所提出方法與現(xiàn)有方法在L2R 2022 CT-MR腹部數(shù)據(jù)集上的定性效果
圖5：所提出方法與現(xiàn)有方法在臨床宮頸CT-MR數(shù)據(jù)集上的定性效果
圖6：所提出方法與現(xiàn)有方法在CuRIOUS MR-US腦數(shù)據(jù)集上的定性效果（黃色箭頭指向圖像上的較為明顯的腦溝等顯著結(jié)構）
附件下載：