一种基于标签感知的扩散模型，用于前列腺癌多模态MRI-TRUS数据在弱监督条件下的可变形配准

《International Journal of Computer Assisted Radiology and Surgery》：A label-aware diffusion model for weakly supervised deformable registration of multimodal MRI–TRUS in prostate cancer

本研究提出一种标签感知的弱监督扩散模型，用于MRI和TRUS多模态图像配准。通过校正标签中心位置、结合扩散模型生成形变场及特征引导模块优化边缘结构，显著提升配准精度（Dice=0.880，TRE=0.940），优于现有方法。

　　

摘要

目的

前列腺癌是男性中常见的恶性肿瘤，准确的诊断和个性化治疗依赖于多模态成像技术，如MRI和TRUS。然而，由于成像机制的差异以及超声探头压迫导致的前列腺变形，这两种成像方式之间的高质量配准面临重大挑战。

方法

在这项研究中，我们提出了一种基于标签的弱监督扩散模型，用于MRI和TRUS的多模态图像配准。首先，我们通过最大化Dice系数来对齐标签质心位置，以纠正初始偏差。其次，我们将标签监督与扩散模型相结合，生成高质量的变形场。最后，我们加入了一个特征引导模块，以更好地保留边缘结构并提高配准的平滑度。

结果

在μ-RegPro数据集上进行的实验表明，我们的方法在多个评估指标上均优于当前的最先进（SOTA）方法。具体来说，它实现了0.880的Dice系数，并将目标配准误差（TRE）降低到0.940，显著优于VoxelMorph、FSDiffReg等无监督方法以及LocalNet和AutoFuse等有监督方法。结果表明，初步的标签质心对齐有效地提升了基于扩散的变形配准模型的性能，将TRE从3.084降低到0.940。消融研究显示，特征引导的扩散模块有效抑制了变形场的折叠，而基于标签的模块增强了标签对齐。当这两种模块结合使用时，所提出的框架实现了良好的平衡，大幅提高了配准精度（Dice = 0.880，TRE = 0.940），同时减少了变形场的折叠（|J|_≤0 = 0.134）。该方法在处理目标区域的大变形时表现出很强的鲁棒性和泛化能力，同时保留了非目标区域的细节。

结论

所提出的基于标签的弱监督扩散模型实现了准确高效的MRI和TRUS多模态图像配准，为临床应用（如前列腺癌诊断、靶向活检和图像引导导航）提供了巨大潜力。