TransReg：通过图像转换引导实现的多模态医学图像配准

《Expert Systems with Applications》：TransReg: Multi-modal medical image registration via image translation guidance

多模态医学图像配准框架TransReg提出，通过图像翻译网络和可变形注册网络结合CSWinGRU与FCR特征增强机制，显著提升配准精度并保持变形场平滑，在Abdomen MRI-CT和Brats2023数据集验证有效性。

　　

陈松宇|黄思娟|邓立伟|王静|杨欣

哈尔滨科学技术大学计算机科学与技术学院，中国黑龙江省哈尔滨市150080

章节摘录

基于图像翻译的图像配准

近年来，提出了基于图像翻译的多模态图像配准方法，其中翻译网络的任务是合成目标模态的图像外观（Duan等人，2025年）。这种方法允许将单模态相似性度量应用于多模态配准任务。在图像翻译中，生成对抗网络（GANs）（Chen等人，2022年）被广泛使用，可以在一定程度上保持图像内容。Qin等人（Qin等人，2019年）

概述

在本节中，我们介绍了所提出的配准方法TransReg，如图2所示。TransReg包含两个核心组件：一个图像翻译网络和一个可变形的配准网络。具体来说，首先，给定一对移动图像和固定图像$\left(x,y\right)$，翻译网络通过将移动图像$x$转换为外观与固定图像$y$相似的图像$fak\_x$来补偿模态之间的差异。然后，配准网络利用

实验设置

1) 数据集：我们在两个公开的多模态医学图像数据集上进行了实验，分别是Learn2Reg 2021挑战赛中的腹部MRI-CT数据集（Hering等人，2022年）和Brats2023数据集（Kazerooni等人，2024年）。腹部数据集包含多对腹部区域的CT和MRI扫描图像，用于多模态配准任务。每个体积的原始尺寸为$192\times 160\times 192$，体素间距为2毫米。Brats2023数据集提供了配对的大脑图像

讨论

在这项研究中，我们提出了一种新颖的多模态医学图像配准框架TransReg，并通过实验评估验证了其有效性。表1和图5、图6中的实验表明，所提出的方法在配准准确性方面优于现有的比较方法，并在几个解剖区域获得了更精确的配准结果。

为了进一步验证模型每个模块的贡献，我们设计了几组

结论

在本文中，我们提出了TransReg，这是一种新颖的多模态医学图像配准框架，它整合了双配准网络架构CSWinGRU、FCR特征增强机制和一致性损失。通过广泛的消融实验，定性和定量评估都证明了每个模型组件的有效性。TransReg不仅显著提高了配准准确性，还确保了变形场的平滑性，

CRediT作者贡献声明

陈松宇：概念构思、软件开发、初稿撰写。黄思娟：资源获取、审稿与编辑。邓立伟：资金获取、审稿与编辑、概念构思。王静：撰写、审稿与编辑。杨欣：资金获取、数据管理、资源协调。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。