基于深度学习的医学图像配准研究综述.docVIP

基于深度学习的医学图像配准研究综述

一、医学图像配准的基础概念与传统方法局限

医学图像配准的核心目标是将不同时间、不同模态或不同设备采集的医学影像，通过空间变换映射到同一坐标系下，实现对应解剖结构的空间位置匹配。这一技术是临床多模态影像融合分析、手术导航、疗效评估、疾病纵向追踪等场景的关键前置步骤。按照成像模态划分，配准任务可分为单模态配准（如CT-CT配准用于放疗前的靶区定位）、跨模态配准（如MRI-PET配准用于脑肿瘤的代谢功能分析）；按照变换模型可分为刚性配准（仅包含平移、旋转操作，适用于骨性结构等无形变组织）、仿射配准（支持缩放、剪切变换，适配全局一致性形变）、可变形配准（支持局部非线性形变，是腹部、肺部等易受呼吸运动影响的软组织配准的核心需求）。

在深度学习技术普及前，传统配准方法主要基于优化驱动的框架。这类方法通常预先定义相似度度量指标（如互信息、归一化交叉相关、平均平方误差），将配准问题转化为最小化浮动图像与固定图像相似度损失的优化过程，通过迭代求解变换参数实现匹配。代表性方法包括基于B样条的自由形变模型、Demons算法、OpticalFlow方法等。这类方法的优势在于无需标注数据、可解释性强，在形变范围较小的场景中能达到较高精度，但临床应用中存在明显瓶颈：一是计算效率低下，单组胸腹CT可变形配准通常需要数分钟甚至数十分钟的迭代优化，无法满足术中实时导航的时间要求