融合频率解耦的多尺度Lipschitz神经场在医学图像配准中的应用

本文提出MLNFFD框架，通过低频粗配准与高频残差校正的双分支架构（U-Net+MLNF），结合多尺度隐式双域特征表示（MIDFR）和Lipschitz连续性约束，显著提升医学图像配准精度（DSC最高提升9%）和形变场平滑度，为手术导航等临床场景提供新解决方案。

　　

Highlight亮点

我们提出了一种革命性的医学图像配准策略——基于频率解耦的多尺度Lipschitz神经场（MLNFFD），将配准任务重构为在低频粗配准基础上进行高频残差校正。这种"分而治之"的方案通过小波变换将图像分解为低频全局近似和高频解剖纹理子带，分别采用定制化模型处理不同复杂度的形变。

创新点

• 首创将配准任务解耦为低频基础配准与高频残差校正的双阶段框架

• 设计多尺度Lipschitz神经场（MLNF），通过傅里叶特征编码捕获跨尺度高频细节

• 引入局部-全局自适应权重图的深度相似性先验模块，优化形变搜索空间

• 在脑部MRI和心脏电影MRI数据集上实现DSC平均4.5%的绝对提升

方法精要

低频分支采用轻量级U-Net生成速度场的带限表示，高频分支则通过MLNF进行精细形变校正。该分支整合三大核心技术：

1）多尺度隐式双域特征表示（MIDFR）增强高频特征

2）深度相似性先验提升几何结构感知

3）Lipschitz连续性约束保证微分同胚形变

性能验证

在OASIS脑部MRI和ACDC心脏电影MRI数据集上的实验表明，我们的方法在配准精度（最高DSC提升9%）和形变场平滑度（最低折叠率）方面均超越现有技术，为精准医疗提供了可靠的技术支持。

Conclusion结论

MLNFFD框架通过频率解耦策略和神经场技术，成功解决了传统方法在复杂纹理特征分析方面的局限性，为医学图像分析开辟了新途径。该技术特别适用于需要高精度形变场的手术导航和病灶定位等临床场景。