多模态影像配准研究中获进展

多模态医学影像分析是肿瘤、放疗规划和影像引导的介入治疗等过程的关键技术，其中多模态影像配准是重要环节。因此实现更加快速的多模态影像配准具有重要的临床意义。

多模态影像配准难点在于不同模态影像的灰度、纹理差异较大，组织结构的特征表征学习较为困难；部分脏器（如肝脏）受呼吸运动影响，组织存在非线性大形变。经典的基于迭代优化计算的多模态影像配准方法主要利用最大化相似性测度来寻找影像的最优空间变换参数，但存在迭代优化计算量大、配准时间长、易陷入局部极值的缺点。基于弱监督深度学习的多模态影像配准方法需要标签数据驱动，存在标签数据获取耗时耗力，标签噪声易影响配准结果的缺点。以上因素制约了多模态影像配准精度的进一步提升。

中国科学院苏州生物医学工程技术研究所研究员戴亚康团队联合温州医科大学附属第五医院、苏州大学附属第二医院，提出了多尺度空间权重联合双相似性测度的无监督学习多模态影像配准方法并应用于肝脏CT-MRI影像配准。该方法通过结合深度学习网络的多尺度形变框架，实现从粗到细的逐步配准，提升大形变配准精度；而后使用双通道输入的空间权重模块，提升网络对多模态影像中大形变区域的特征表达能力；再使用双重损失函数，在约束整体配准的同时配准脏器内部结构细节，进一步提高多模态影像配准精度。

临床影像数据的实验结果表明，该研究提出的配准方法在DSC、Hd95、TRE、SSIM等多项指标上超越了多个经典配准方法。该工作的价值在于为更加精准快速的多模态影像配准提供了新方法，有望应用于多模态大形变影像融合建模和介入手术计划导航系统等。

相关研究成果以Unsupervised registration for liver CT-MR images based on the multiscale integrated spatial-weight module and dual similarity guidance为题，发表在Computerized Medical Imaging and Graphics上。研究工作得到国家重点研发计划和国家等的支持。