基于深度配准的多图谱标签融合网络DRFnet在脑部亚结构分割中的创新应用

针对传统多图谱分割方法耗时且难以规模化的问题，研究人员提出DRFnet（Deep Registration based Fusion Network），整合无监督学习微分同胚配准网络（REGnet）与多图谱形变编码模块，实现脑部亚结构精准分割。在两组T1加权MRI数据集（16/35例）中，平均Dice分数达0.923/0.888，显著优于9种前沿深度学习方法，为神经退行性疾病研究提供高效工具。

　　

在神经影像研究中，脑部亚结构（如海马体、杏仁核）的精确分割对阿尔茨海默病、帕金森病等疾病的机制解析至关重要。传统多图谱分割方法依赖耗时的非线性配准（如LDDMM），且手工特征提取受限，而纯深度学习模型易忽略解剖学先验知识。湖南文理学院的研究团队在《Biomedical Signal Processing and Control》发表研究，提出DRFnet框架，通过无监督微分同胚配准网络（REGnet）与多图谱形变编码模块的协同，实现高效精准的亚结构分割。

关键技术包括：1）基于PREDICT-HD和MALC数据集的16/35例T1-MRI；2）REGnet实现拓扑保持的图谱-目标图像配准；3）融合网络通过相似性加权整合多图谱标签；4）端到端训练优化。

研究结果显示：
1. 多数据集验证
在PREDICT-HD（16例）和MALC（35例）数据集中，DRFnet对12个亚结构的平均Dice分数分别达0.923和0.888，优于传统方法（如Joint Label Fusion）及9种CNN模型（如3D U-Net）。

2. 消融实验
移除多图谱配准模块导致Dice下降2.3%，证实REGnet对解剖对齐的贡献；相似性选择策略使海马体分割精度提升1.8%。

3. 超参数分析
最优性能出现在使用5个图谱、局部相似性半径7mm时，平衡了计算效率与精度。

结论指出，DRFnet的创新性在于：1）首次将无监督微分同胚配准与多图谱融合结合，解决传统方法计算瓶颈；2）形变编码模块增强解剖学先验传递；3）端到端架构较LDDMM提速10倍。该技术为大规模神经影像研究提供新范式，尤其适用于纵向追踪脑结构萎缩的临床场景。