面向多尺度微分同胚匹配的适应性黎曼优化

《Nature Communications》：Adaptive Riemannian optimization for multi-scale diffeomorphic matching

　　

图像匹配是定量生物医学与生物影像分析中的基本任务，使研究人员能够在被试、时间点、模态及实验条件之间比较、整合与解释影像数据。现有最先进配准方法因实现效率低且优化问题病态（ill-conditioned）导致收敛慢而运行缓慢。深度学习方法虽推理快，但训练时间长、推理显存需求大，且难以泛化到长尾分布或多样影像模态，需要代价高昂的重新训练。研究人员提出FireANTs，一种无需训练、GPU加速的多尺度适应性黎曼优化算法，用于快速精确的稠密微分同胚图像匹配。FireANTs在CPU上将社区标准ANTs配准工具的速度提升一倍以上，在GPU上快两个数量级；在GPU上，FireANTs推理运行时间与深度学习方法相当，同时显存消耗最多降低10倍。FireANTs在跨模态、物种和器官的广泛匹配问题上表现出鲁棒性，无需任何领域特定训练或调参。该框架使得超参数网格搜索相比传统和深度学习配准算法均可用更少资源和时间完成。

该研究发表于《Nature Communications》。研究背景方面，稠密可变形对应匹配（即可变形图像配准）是计算机视觉、医学影像、显微镜成像、遥感等领域的基础问题，其中微分同胚（diffeomorphism，一类光滑可逆且逆亦光滑的变换，可保持解剖拓扑结构无撕裂折叠）因能准确建模对应并保持解剖拓扑而备受关注。目前存在的主要问题包括：基于优化的传统方法（如ANTs）实现效率低、优化目标病态导致收敛慢，难以扩展到高分辨率数据；深度学习方法（如VoxelMorph）虽前向推理快，但训练耗时、显存开销大、泛化性差（对未见过的模态、物种、分辨率需重新训练），且常锁定于固定物理分辨率。因此亟需一种无需训练、效率高、内存占用低、能泛化到多样模态与尺度的配准算法，这正是开展本研究的原因。

研究人员开展了如下研究：提出FireANTs（FireANTs，一种基于适应性黎曼优化的多尺度微分同胚配准算法与开源工具包），在《Nature Communications》发表成果。核心结论是：通过利用微分同胚的李群（Lie group）结构定义欧拉微分（Eulerian differential）下的下降方向，并将适应性一阶优化（如Adam）推广到该非欧氏空间，避免计算黎曼度量张量与平行输运；采用雅可比无关（Jacobian-free）近似进一步提速；多尺度优化中形变场上采样使用双线性/三线性插值以保证微分同胚性；算法在CPU上比ANTs快约2至7倍，GPU上快达三个数量级（平均数百倍），显存占用比深度学习配准低至多10倍，配准精度（Dice系数、标志点距离、互信息等）在14个数据集（涵盖7种模态、6个物种、3个器官、超过15000对图像）上均达到或超越现有最优（包括ANTs、SyN、VoxelMorph、SynthMorph、unigradICON等），且对未见过的模态、物种、高分辨率（如Expansion Microscopy亚微米数据、9.4T MRI、fMOST小鼠脑）具强泛化性；支持高效超参数网格搜索（LPBA40上640组配置用8块A6000 GPU仅约40.4小时，ANTs需约3.6年）、批次化推理（单对<0.25秒）、高分辨率图谱构建（小鼠fMOST 25μm图谱从ANTs的141.5小时降至22分钟）。该工作的重要意义在于为生物医学与生物影像提供了无需训练、速度快、内存省、泛化强的配准基础框架，使交互式高分辨率配准、大规模超参数寻优、大尺度图谱生成等以往不可行的任务成为可能。

作者所用几个主要关键技术方法：1）病态性分析：量化典型3D MRI配准中每像素条件数，证实超过60%前景像素条件数>10，论证需适应性优化；2）微分同胚群结构利用：基于李群（Lie group）在恒等元处切空间（李代数）与群作用的属性，构造欧拉微分最小化框架，将下降方向定义在恒等元切空间，使各迭代的更新方向在同一欧氏向量空间，可直接套用Adam等适应性优化而无需黎曼平行输运；3）雅可比无关欧拉下降：假设形变雅可比近似正定（因配准主要含平移、缩放、剪切而无大局部旋转），省略雅可比计算，用高斯导数（Gateaux derivative）直接作为下降方向，保精度且提速达2.75倍；4）多尺度策略：图像金字塔各尺度优化后，形变场与优化器状态（动量、二阶矩）用双线性/三线性（2D/3D）而非双三次插值上采样，避免引入非微分同胚折叠；5）实现：基于PyTorch的GPU友好轻量实现，支持自定义损失、正则化、预处理，可进行形变场后验逆变换计算。样本队列来源包括：Klein等四个脑MRI数据集（IBSR18、CUMC12、MGH10、LPBA40）、Learn2Reg的OASIS（414例人脑T1WI）、EMPIRE10（30对肺CT）、NLST（210对肺CT）、Ultracortex（9.4T人脑）、PRIME-DE（非人灵长类T1WI）、Waxholm大鼠脑、Allen CCFv3小鼠脑（T2*WI与STPT）、RnR-ExM小鼠同皮层（Expansion Microscopy，体素0.1625×0.1625×0.4 μm）、AZBA与ZBrain（斑马鱼幼体与成体脑）、BICCN小鼠fMOST（0.35×0.35×1.0 μm3）、Abdomen MRCT（腹内MR与CT）。

研究结果如下：

Results on generalization to long-tail of modalities：研究人员在六个数据集（LPBA40、NLST、Ultracortex、PRIME-DE、ZBrain与AZBA、Waxholm与CCFv3）上用标签重叠（Dice）、标志点距离、标签图与强度互信息等评估。通过何种研究：分别在相应数据集上运行FireANTs与基线（ANTs、VoxelMorph、SynthMorph、unigradICON、VFA等）并统计指标。得出什么结论：FireANTs在所有数据集上均取得最优性能，尤其在跨物种多模态啮齿类与斑马鱼数据上显著优于仅宣称泛化的基线（SynthMorph、unigradICON、VFA），证明其对长尾模态、物种、分辨率的强泛化性。

Results on state-of-the-art biomedical benchmarks：研究人员在社区标准基准（Klein等脑MRI、EMPIRE10肺CT）及对应现代基准（OASIS脑、NLST肺）上对比ANTs、SyN、VoxelMorph、SynthMorph等。通过何种研究：按原挑战评估协议，脑用标签重叠各类指标（平均重叠、目标重叠等），肺用裂隙对齐误差（%）、标志点距离（mm）、奇异误差（非微分同胚体素占比）。得出什么结论：FireANTs在脑数据集4/5上优于所有基线（中位重叠常高于ANTs第三四分位数）；EMPIRE10上裂隙误差比ANTs低5倍，标志点距离在6个子区域中5个更低，奇异误差为0%（ANTs非零），综合裂隙误差排挑战榜首；NLST上健壮目标配准误差（TRE30）比最优深度学习基线低51.6%，比unigradICON低50.8%。

Evaluation of high-resolution mouse isocortex registration：研究人员在RnR-ExM小鼠同皮层数据集（体素2048×2048×81，原生分辨率）对比挑战排行榜方法（如Bigstream）。通过何种研究：先仿射配准再微分同胚配准，单A6000 GPU需2至3分钟，评Dice与标准差。得出什么结论：FireANTs排第一名，Dice比第三名高0.361，标准差比第二名低4.42倍；定性上Bigstream仅仿射导致边界切片丢失、皮质厚度匹配差，FireANTs仿射稳定且微分同胚步准确刻画水凝胶非线性的形态变化。

Runtime and memory efficiency analysis：研究人员对比FireANTs与ANTs（CPU同线程）、深度学习配准（VoxelMorph等）的运行时间与显存。通过何种研究：在脑数据集测CPU/GPU时间；对OASIS逐步上采样测随问题规模的时间内存；批次化测摊销时间；统计各方法精度-时间-内存气泡图。得出什么结论：FireANTs CPU比ANTs快至多7倍，GPU快达442倍（EMPIRE10平均560倍）；比深度学习法显存低至多10倍，推理速度快于或等于多数深度学习法（OASIS批次32时单对<0.25秒），证明无需牺牲精度即可兼得效率与低内存。

FireANTs enables rapid prototyping and hyperparameter tuning：研究人员用LPBA40（3参数：学习率η、σ_warp、σ_grad，640配置）与EMPIRE10（σ_warp、σ_grad，456配置）做网格搜索。通过何种研究：用Ray库8 GPU并行跑网格搜索，对比ANTs单Job 8线程、HyperMorph摊销超参数学习的时间。得出什么结论：LPBA40搜索40.4小时（8 GPU），ANTs需约3.6年，HyperMorph虽摊销仍比FireANTs慢4.3倍；EMPIRE10搜索12.37小时（8 GPU），ANTs约296天，DARTEL约345天；超参数敏感区小（LPBA40中58.4%配置目标重叠≥0.74），鲁棒性高。

FireANTs is robust to a wide range of hyperparameters：研究人员分析网格搜索结果中性能指标随超参数的变化。通过何种研究：绘制LPBA40三参数平面上目标重叠等值线，EMPIRE10两平滑参数平面上Dice等值线。得出什么结论：最优附近大片区域性能接近峰值（LPBA40白等高线目标重叠=0.75包围大区域，黑=0.74也宽；EMPIRE10白Dice=0.96包围广），说明算法对超参数不敏感，非专家也可直接使用。

Runtime efficiency due to Jacobian-free optimization：研究人员在OASIS、NLST、AbdomenMRCT-L2R上开关雅可比项对比。通过何种研究：同配置运行带与不带J(φ)乘法的下降方向，记录Dice/TRE与时间。得出什么结论：雅无关近似最大Dice差异0.002、最大TRE差异0.021 mm，精度无显著损失，但收敛快至多2.75倍，故默认推荐关闭雅可比计算。

FireANTs facilitates scalable atlas generation：研究人员用55个BICCN小鼠fMOST（下采样25μm）与OASIS（16例）构建图谱。通过何种研究：同配准迭代与epoch数下，ANTs用64线程CPU，FireANTs用8 GPU工作站；定性比图像清晰度，定量用配准后两两Dice。得出什么结论：fMOST图谱ANTs需141.5小时，FireANTs需22分钟（快约386倍），图像侧脑室更清晰、小脑无强度渗染；OASIS图谱ANTs需2小时16分，FireANTs32秒；OASIS模板配准后两两Dice为0.722±0.161（ANTs为0.704±0.163），证明高质量图谱可两数量级加速生成。

Independent evaluation：研究人员汇总外部独立应用。通过何种研究：检索GitHub issue与文献中实际使用反馈。得出什么结论：NextBrain工具用FireANTs替代原有CPU配准，将体内/离体脑MRI分割流程从数天缩至<5分钟，Dice无损失，设为默认；X射线图像配准（Polypose）中FireANTs为强基线优于专门基线；组织学切片、非人灵长类等也成功应用，证实实用性与易集成。

讨论部分总结：研究人员讨论指出FireANTs通过将适应性一阶优化（如Adam）推广到微分同胚空间，利用李群结构以欧拉微分下降避开了黎曼优化昂贵的度量张量与平行输运、避开了李代数指数映射（scaling-and-squaring）的高开销与局限（仅时间无关速度场、大形变数值不稳定、表达力受限），直接优化变换本身且更新仅为复合id+εv近似；多尺度上采样用线性插值保微分同胚性；雅可比无关近似在主要应用场景（平移、缩放、剪切为主，无大局部旋转）合理，提速且无精度损。FireANTs在精度、速度、鲁棒性间无折衷，在14个数据集（7模态、6物种、3器官、>15000对）超越或匹敌SOTA，尤擅高分辨率显微（ExM）、超高场MRI（9.4T）、跨物种（啮齿类、斑马鱼、非人灵长类）、图谱构建等以往难扩展的场景。相比SVF（平稳速度场）类方法（如DARTEL、深层SVF），直接优化更灵活（可视为时间相关速度场积分）、快且准；相较深度学习，无需训练、泛化强、显存低、可交互式超参数搜索。该工作为生物医学与生物影像提供了快、准、省内存、易扩展的配准基础框架，已开源并被第三方工具采纳，推动大尺度高分辨率影像分析（连接组学、细胞图谱、多模态整合等）可行。