基于多级变换渐进与图像增强的可变形医学图像配准算法研究

本研究针对医学图像配准中局部大变形配准困难及特征提取能力有限的问题，提出了一种多级变换渐进配准算法(MTPR)。通过结合小波变换与改进引导滤波的混合增强模块提升图像边缘特征，采用金字塔共享权重增强网络(PWE-Net)实现多模态特征精确提取与渐进形变场预测，并创新性引入双相似性度量机制增强局部器官配准能力。在OASIS、LPBA40及临床CT/MR数据集上验证显示，该算法平均DSC达0.822，ASSD低至0.741 mm，显著优于现有方法(P<0.05)，为放疗规划等临床应用提供了高精度解决方案。

　　

医学图像配准技术是精准医疗的重要支撑，但在处理大变形器官（如呼吸运动的肺部或盆腔）时，传统算法常陷入局部最优，而现有深度学习方法对多尺度特征融合和局部结构关注不足。中国科学院深圳先进技术研究院的研究团队在《Journal of Computational Design and Engineering》发表的研究，通过创新性融合图像增强与渐进式配准策略，为这一难题提供了突破性解决方案。

研究采用三大核心技术：首先开发了基于3D-DWT（三维离散小波变换）和改进引导滤波的混合增强模块，通过梯度偏移技术和自适应平滑参数显著提升边缘对比度（如图3所示）；其次构建了金字塔共享权重增强网络(PWE-Net)，采用双Swin Transformer编码器提取多模态特征，并通过空间特征融合模块（图4B）整合多尺度上下文信息；最后提出SNCC（结构归一化互相关）与MI（互信息）构成的双相似性度量，在保持全局对齐的同时强化局部器官配准。

图像增强模块验证
通过对比传统引导滤波与改进算法（图3），增强后的图像边缘斜率提升约40%（图2），临床CT/MR数据局部器官对比度提高35%，为后续配准奠定基础。

PWE-Net性能分析
在LPBA40数据集上，该网络整体DSC达0.968，较NICE-Trans提升2.2%。空间特征融合模块使局部器官（如扣带回）配准精度提升5.3%（表1），递归形变场整合策略（表5）将Std.Jacobian降至0.252，优于直接相加法的0.356。

双相似性度量效果
在宫颈癌临床数据中，SNCC-MI组合使膀胱和小肠的DSC分别达到0.78和0.82（图11），较单一NCC提升13.7%（表6），证明其对软组织边界的敏感性。

多数据集验证
OASIS数据集上（图5-7），MTPR在海马体等复杂区域DSC稳定性优于TransMorph（标准差降低0.008）；临床CT/MR配准中（图9），四阶段渐进配准使子宫CTV靶区配准误差减少至0.74 mm，满足放疗定位需求。

该研究通过级联式技术革新，首次实现增强-特征提取-形变预测的全流程优化。其创新性体现在：① 小波域引导滤波增强突破传统图像预处理局限；② 双编码器架构解决多模态特征异构难题；③ 递归形变场整合策略（?_k=?_k°?_k-1+?_k-1）物理合理性优于常规叠加。临床意义在于为宫颈癌放疗中的膀胱-直肠等危险器官自动勾画提供亚毫米级配准工具，同时算法框架可扩展至肝脏、肺部等大变形器官的介入导航。未来通过多中心数据协作，有望进一步突破跨设备泛化性瓶颈。