基于双路径对比学习的无监督配准网络D2C-Morph在脑区分割中的创新应用

针对脑图像分割中空间对齐精度不足的问题，研究人员提出D2C-Morph模型，通过双路径无监督配准网络结合对比学习和相关性特征图，实现配准与分割的联合优化。该模型在LPBA40和IBSR数据集上验证了性能，解码器多对比损失和相关性层设计显著提升分割效果，为医学影像分析提供新范式。

　　

在医学影像领域，脑区分割是诊断阿尔茨海默病、脑肿瘤等疾病的关键步骤。然而，传统分割方法面临两大挑战：一是人工标注耗时且易受低分辨率图像干扰；二是不同患者的脑部影像存在解剖结构差异，直接分割会导致精度下降。尽管UNet、ResUNet等深度学习模型已取得进展，但其依赖大量标注数据，而弱监督方法如BoxSup和ScribbleSup又难以保证空间一致性。更棘手的是，脑影像的个体差异要求先进行高精度配准（即将不同图像对齐到同一空间），但现有配准模型如VoxelMorph和TransMorph在特征融合和相似性度量上仍有优化空间。

针对这些问题，韩国光州科学技术院的研究团队在《Computerized Medical Imaging and Graphics》发表论文，提出D2C-Morph模型。该模型通过双路径无监督配准网络，结合对比学习和相关性层（Correlation Layer），首次实现配准与分割的端到端联合优化。研究利用LPBA40和IBSR v2.0数据集验证，发现模型在未使用标注数据的情况下，通过变形场（Deformation Field）逆变换完成分割， Dice分数显著提升。

关键技术方法

1. 双路径网络架构：采用独立编码器分析固定图像（Fixed Image）和移动图像（Moving Image）特征，通过相关性层增强特征图相似性。
2. 多阶段对比学习：在瓶颈层（Bottleneck）和解码器最后一层分别应用对比损失（Contrastive Loss），强化空间结构学习。
3. 无监督训练策略：利用图像相似性指标（如归一化互信息）替代标注数据，通过变形场逆变换生成分割标签。

研究结果

Ablation study
对比实验显示，同时使用相关性层和双阶段对比学习的模型Dice分数达0.812，较单一模块版本提升10.6%。仅应用瓶颈层对比学习时性能最低（0.734），证实多层级特征融合的必要性。

Dataset and implementation details
在LPBA40数据集上，D2C-Morph的分割精度超越VoxelMorph 15.2%，尤其在丘脑和海马体等小结构上表现突出。IBSR v2.0的跨数据集测试进一步验证泛化能力。

Conclusion
研究证实，通过配准网络的结构特征学习可间接提升分割性能。相关性层能有效捕捉双图像特征相似性，而解码器多对比损失优化了变形场的空间一致性。该模型为医学影像分析提供了一种减少标注依赖的新思路。

讨论与意义
D2C-Morph的创新性体现在三方面：一是首次将配准与分割解耦训练但联合推理；二是通过相关性层实现特征级相似性增强；三是多对比损失设计可迁移至其他器官分割任务。局限性在于未测试多模态影像（如MRI-T₁/T₂）的适用性。未来研究可探索Transformer架构与相关性层的结合，进一步提升全局特征建模能力。