基于无监督解剖感知双约束级联网络的肺部CT形变图像配准方法

针对肺部CT图像因呼吸运动和大形变导致的配准难题，山东研究者提出ADC-Net网络，通过三向形变捕获模块（TDC）和双约束级联模式，在Dir-lab数据集上实现配准精度提升3%，处理速度较MANet提高21%，为精准放疗提供高效解决方案。

　　

肺部CT图像配准是精准放疗的关键技术，但高分辨率数据、呼吸运动导致的器官大形变（可达20mm）以及图像灰度差异，使得传统方法如Elastix和ANTs耗时且精度不足。现有深度学习方法如TransMatch难以处理大形变，而多尺度级联网络MANet又因下采样丢失解剖细节。针对这一临床痛点，山东的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。

研究团队开发了ADC-Net网络，核心技术包括：1）三向形变捕获模块（TDC）通过分离计算三维空间体素相关性，精准捕捉垂直轴向大形变；2）双约束级联模式，将轮廓增强和血管增强图像作为约束输入三级单层网络；3）采用低计算量上采样结构提升效率。训练数据来自SPARE、Creatis和COPD三个公共数据集，测试集为Dir-lab和ThoraxCBCT。

【单层网络结构】
通过全卷积网络（FCN）构建的TDC模块，将特征分组并行计算（超参数g=8时最优），在保持x/y/z三向形变感知的同时，浮点运算量降低21%。

【双约束级联模式】
第一级网络处理轮廓增强图像锁定大形变区域（如膈肌位移），第二级聚焦血管增强图像对齐支气管分支，第三级融合原始图像微调。实验显示该模式使大形变配准精度提升16%。

【性能验证】
在Dir-lab数据集上，ADC-Net目标配准误差（TRE）为1.23mm，较MANet（1.27mm）提升3%；ThoraxCBCT数据集上TRE从1.56mm降至1.50mm。特别对最大呼气/吸气相CT配准，膈肌区域误差降低19%。

该研究通过解剖结构感知的级联策略，首次实现大形变与微细血管（直径<2mm）的同步精准配准。临床价值在于：1）为4D-CT动态追踪提供亚毫米级精度；2）CT-CBCT配准速度达3.2秒/例，满足实时自适应放疗需求。作者Wenbin Wu指出，未来可扩展至多器官联合配准，但需解决肿瘤体积突变带来的新挑战。