MCANet：基于多尺度卷积注意力与Swin Transformer的脑部医学图像精准配准新架构

本文推荐一篇创新性医学图像处理研究，作者团队提出混合多尺度网络MCANet，通过并行卷积（标准/深度可分离/空洞卷积）提取局部特征，结合Swin Transformer捕捉全局依赖关系，显著提升脑部MRI配准精度。在OASIS、LPBA40和IXI数据集上平均Dice分数提升达5.68%-6.69%，为解决脑部复杂解剖结构（如皮层、脑室）的非线性形变配准难题提供了新方案。

　　

Highlight

MCANet通过多尺度卷积注意力机制（MCA）与Swin Transformer的协同设计，实现了脑部医学图像中局部细微特征与全局结构依赖的双重感知。标准卷积、深度可分离卷积和空洞卷积的并行架构，分别负责精细特征提取、通道优化和大尺度上下文感知，而瓶颈层的Swin Transformer则建立了跨区域的远程关联。

Deformable registration framework

定义固定图像I_f∈R^H×W×L与移动图像I_m∈R^H×W×L在三维空间域Ω?R³的配准任务。MCANet f_θ通过参数θ预测形变场φ，经空间变换函数生成对齐图像I_m°φ。网络通过最小化相似性度量与形变平滑约束进行无监督训练。

Datasets

实验采用OASIS（416例T1加权MRI）、LPBA40（40例带54脑区标注）和IXI（576例T1/T2/PD多模态）数据集。预处理包括颅骨剥离、仿射对齐和强度归一化，采用五折交叉验证评估性能。

Results

在OASIS、LPBA40和IXI上的Dice分数分别提升5.68%、2.4%和6.69%，尤其在脑室等复杂结构区域显著优于传统CNN方法（如VoxelMorph）和纯Transformer架构（如TransMorph）。

Discussion

MCANet的创新性体现在：①多尺度卷积组合增强局部特征感知；②Swin Transformer在低分辨率特征图上计算全局注意力，平衡计算效率与精度；③跳跃连接实现编码器-解码器特征融合。该架构对大脑皮层褶皱、脑室不对称等复杂形变具有独特优势。

Conclusion

本研究证实，结合多尺度卷积注意力与Swin Transformer的混合架构能有效解决脑部医学图像配准中的跨尺度形变难题，为临床诊断提供更精准的空间对齐工具。未来工作将探索动态卷积核与可变形Transformer的进一步融合。