GraphMorph：一种用于4D-CT肺部成像的平衡调整正则化双流GCN算法，支持滑动运动

《Neurocomputing》：GraphMorph: Equilibrium adjustment regularized dual-stream GCN for 4D-CT lung imaging with sliding motion

针对4D-CT肺部图像配准时呼吸滑动运动导致的变形建模难题，提出GraphMorph混合模型。通过双流金字塔架构提取多尺度特征，结合拓扑增强注意力模块（TEGA）融合图结构拓扑信息和Transformer全局依赖建模，解决大规模变形问题；构建跨尺度上下文聚合模块（CSCA）利用不同呼吸相位图像内容关联，优化局部细节配准；设计基于生物力学平衡调整正则化（EAR）方法，平衡连续与滑动界面变形的平滑性与不连续性，有效抑制局部强度不均影响。实验表明，GraphMorph在公开及自建数据集上平均目标配准误差（TRE）达0.96mm，优于SyN、DIEGraph等主流方法，尤其在跨分布数据（OOD）中性能显著提升。

　　4D-CT技术在放射治疗中扮演着至关重要的角色，它能够捕捉胸腔和腹部肿瘤在呼吸运动中的动态变化，从而实现精准的肿瘤定位和剂量规划。然而，这一技术在实际应用中面临诸多挑战，尤其是呼吸运动引起的器官界面滑动现象。这种滑动会导致图像之间的局部变形不连续，进而影响传统图像配准算法的准确性。为了克服这一难题，研究人员提出了一种新的图像配准方法——GraphMorph，这是一种基于图卷积网络（GCN）的平衡式配准模型，能够有效处理滑动界面带来的复杂变形问题。

GraphMorph的核心设计在于其双重流结构和自适应的正则化机制。双重流架构允许模型同时处理全局和局部的变形信息，而自适应正则化则确保在滑动界面处的变形既保持一定的连续性，又能够适应不连续的运动模式。这种设计使得GraphMorph能够在处理4D-CT肺部图像时，准确地捕捉到器官之间的滑动运动，从而提升配准的精度和鲁棒性。此外，GraphMorph还引入了拓扑增强的图注意力模块（TEGA）和跨尺度上下文聚合模块（CSCA），这两个模块分别针对全局大变形和局部微小变形问题，提供了更加全面的解决方案。

TEGA模块通过结合图结构的拓扑信息和Transformer模型的全局依赖关系，增强了模型对滑动器官区域关系的学习能力。这一模块特别适用于处理由呼吸运动引起的大型器官变形，因为它能够在不同层次上整合空间信息，从而避免传统方法在全局建模时的不足。同时，CSCA模块利用不同呼吸相位下的图像内容相关性，有效地提取并融合上下文信息，使得模型在处理局部细节时更加精确。通过这两个模块的协同作用，GraphMorph能够在复杂情况下实现更加准确的图像配准。

在处理局部强度不均匀性方面，GraphMorph引入了基于生物力学的平衡调整正则化（EAR）方法。该方法通过消除离散化依赖，确保在滑动界面处的位移场既保持一定的连续性，又能够适应不连续的运动模式。这种设计不仅提升了配准的准确性，还增强了模型对局部强度不均匀性的鲁棒性，避免了传统正则化方法在处理这类问题时可能产生的误差。

为了验证GraphMorph的有效性，研究人员在多个公开和自建的4D-CT数据集上进行了实验。实验结果表明，GraphMorph在平均目标配准误差（TRE）方面达到了0.96毫米，显著优于现有的多种配准方法，包括传统的迭代优化方法和基于深度学习的先进模型。这一结果不仅证明了GraphMorph在处理4D-CT肺部图像时的优越性，也表明其在动态肺部成像中的应用潜力。

此外，GraphMorph在处理跨尺度上下文信息方面表现出色，其跨尺度上下文聚合模块（CSCA）能够有效捕捉不同呼吸相位下的图像内容相关性，从而提升模型对局部细节的处理能力。这种跨尺度的信息融合策略使得GraphMorph能够在保持全局一致性的同时，准确地捕捉到局部的微小变形，为临床应用提供了更高的精度保障。

在实际应用中，GraphMorph的高效性和准确性使其成为一种极具前景的图像配准工具。它不仅能够用于肺部图像的配准，还具有扩展到其他器官和医学影像领域的潜力。例如，对于腹部的多模态图像配准任务，如MRI到CT的配准，GraphMorph同样具备应用价值。这种配准技术在诊断和治疗计划中至关重要，尤其是在处理肝癌、淋巴瘤等腹部疾病时，能够提供更加精确的图像信息，从而支持更有效的临床决策。

从技术实现的角度来看，GraphMorph的设计体现了对医学图像配准问题的深入理解。它结合了GCN和Transformer的优势，使得模型既具备良好的局部感知能力，又能够处理复杂的全局依赖关系。这种混合架构不仅提升了模型的性能，还降低了计算成本，使其更适用于临床环境中的实时应用需求。与传统方法相比，GraphMorph在处理滑动运动时表现出更强的适应性和稳定性，能够在不同呼吸相位下保持较高的配准精度。

为了进一步验证GraphMorph的性能，研究人员还对其在4D-CBCT（四维锥形束CT）图像上的表现进行了测试。由于4D-CBCT图像通常具有更高的噪声水平和伪影，这使得其成为一种更具挑战性的测试场景。实验结果表明，GraphMorph在这一复杂环境下依然能够保持良好的配准效果，证明了其在实际应用中的广泛适用性。

在研究过程中，团队还对多种现有的图像配准方法进行了比较分析，包括经典的迭代配准方法SyN、基于图卷积的DIEGraph、多级配准算法LapIRN、金字塔配准方法GroupMorph以及近年来的先进肺部配准方法RAN。这些方法虽然在某些特定任务上表现良好，但在处理滑动运动和局部变形时仍然存在局限性。相比之下，GraphMorph通过其独特的模块设计和自适应正则化机制，显著提升了配准的精度和效率。

此外，GraphMorph的提出也标志着医学图像配准领域的一个重要进展。传统方法通常依赖于预定义的解剖结构连接关系，这在面对复杂的滑动运动时可能不够灵活。而GraphMorph通过引入自适应的图结构和自注意力机制，使得模型能够动态地适应不同的解剖关系和运动模式，从而提升了其在不同应用场景下的通用性。

在实际应用中，GraphMorph的高精度配准能力不仅有助于提高放射治疗的准确性，还能够为肺部疾病的诊断和监测提供更可靠的数据支持。例如，在慢性阻塞性肺疾病（COPD）的诊断中，精确的图像配准能够帮助医生更好地评估肺部的通气功能变化。同样，在肿瘤运动建模方面，GraphMorph能够提供更精确的位移信息，从而支持图像引导的放射治疗（IGRT）和剂量优化。

总之，GraphMorph作为一种新型的图像配准方法，通过其独特的模块设计和自适应正则化机制，成功解决了4D-CT肺部图像配准中的滑动运动问题。其在处理全局大变形和局部微小变形方面的表现，使其成为一种极具应用前景的医学图像处理工具。未来，随着更多临床数据的积累和技术的进一步优化，GraphMorph有望在更广泛的医学影像领域中发挥重要作用，为医生提供更加精准的图像配准支持，从而提升诊断和治疗的效果。