基于串行指数-小龙虾优化算法与ResNet特征的多相似性医学图像配准研究

本研究针对医学图像配准中参数优化效率低、相似性度量单一的问题，提出结合串行指数加权移动平均(EWMA)与小龙虾优化算法(COA)的SECOA算法，通过ResNet特征提取和多相似性度量（SSD/NCC/LNMI等），在脑肿瘤MRI数据上实现PSNR 49.09、Dice分数0.881的精准配准，为临床诊疗提供新工具。

　　

医学图像配准是临床诊疗中的关键技术，但传统方法面临非刚性形变复杂、相似性度量单一等挑战。尤其在脑肿瘤等复杂器官的跨模态图像对齐中，现有算法对局部形变和噪声敏感，且依赖人工设计特征。近年来，虽然卷积神经网络(CNN)提升了特征提取能力，但参数优化效率仍是瓶颈。

为解决这些问题，研究人员开发了串行指数-小龙虾优化算法(SECOA)，将指数加权移动平均(EWMA)机制融入小龙虾优化算法(COA)，结合ResNet深度特征和多相似性度量框架。研究采用脑肿瘤MRI数据集，通过仿射变换初始化后，提取ResNet-50的深层特征，并整合六种度量指标：平方差和(SSD)、归一化互相关(NCC)、香农熵、对数归一化互信息(LNMI)、Tversky特征对比模型和修正归一化互信息(MNMI)。SECOA通过EWMA动态调整种群权重，加速收敛至全局最优解。

关键技术包括：1) 基于ResNet-50的跨模态特征提取；2) 融合EWMA的SECOA参数优化；3) 多相似性度量框架集成；4) 使用Brain Tumor MRI数据集验证性能。

Results and Discussions
实验显示，SECOA在缩放因子和旋转角度优化中均超越传统方法，PSNR达49.09，RMSE仅0.107。与粒子群优化(PSO)、遗传算法(GA)相比，SECOA的Dice分数提升12.7%，证明其对局部形变的鲁棒性。多相似性度量中，Tversky模型对肿瘤边缘配准贡献显著，而LNMI有效克服了强度不一致问题。

Conclusion
该研究创新性地将EWMA的时序优化能力与COA的全局搜索特性结合，解决了医学图像配准中参数选择与特征匹配的双重挑战。临床意义在于：1) 为肿瘤生长监测提供高精度配准工具；2) 多度量融合策略可推广至CT/PET多模态配准；3) SECOA框架为其他医学图像分析任务提供优化范式。未来工作将探索三维体积配准与实时手术导航应用。

（注：全文依据原文所述方法学与结果展开，未添加非原文信息；技术术语如EWMA、COA等均按原文大小写格式保留；作者单位因原文未明确标注，故未提及具体机构）