《Medical Image Analysis》：Data-driven registration and modeling of brain deformation for image-guided neurosurgery: A systematic review
编辑推荐：
对当前数据驱动的脑变形补偿方法进行系统综述。统一了基于学习的方法、切除感知的方法和物理引导的方法。比较了数据集、基准测试、评估和验证实践。识别了基准测试、鲁棒性和可解释性方面的差距。定义了临床可部署的图像引导神经外科的优先事项。
对当前数据驱动的脑变形补偿方法进行系统综述。统一了基于学习的方法、切除感知的方法和物理引导的方法。比较了数据集、基准测试、评估和验证实践。识别了基准测试、鲁棒性和可解释性方面的差距。定义了临床可部署的图像引导神经外科的优先事项。
1. 引言
引言阐述了脑部手术中区分肿瘤与健康组织的挑战，以及图像引导系统（image-guided neurosurgery, IGN）在提供实时解剖引导中的作用。重点介绍了脑移位（brain shift）现象，即手术中由物理、手术或生物因素引起的脑变形，导致术前影像与术中解剖不匹配，从而影响手术精度。脑移位的成因包括病变位置、水肿、脑脊液（cerebrospinal fluid, CSF）流失、重力及组织切除等。近年来，深度学习（deep learning, DL）在医学图像配准中的进展，以及大型公共数据集（如BraTS-Reg、RESECT、BITE）的可用性，为术中变形建模提供了新机会。本系统综述聚焦于2020年以来的数据驱动变形建模技术，涵盖基于学习的配准、合成驱动的多模态对齐、切除感知架构及混合物理信息框架，并批判性地评估了验证、不确定性量化、鲁棒性及临床部署中的挑战。
2. 背景
2.1 神经外科工作流程
展示了从术前评估、多模态成像（如MRI、CT、fMRI、DTI）到术中导航、可视化及肿瘤切除，再到术后成像和随访的完整流程。术前配准通常实现1–2 mm的目标配准误差（target registration error, TRE），但脑移位可导致TRE漂移至4–6 mm，甚至超过20 mm。术中依赖光学和成像技术（如手术显微镜、术中超声（iUS））进行实时引导，并利用术中MRI（iMRI）更新配准以补偿脑移位。
2.2 术中成像与可视化模态
iMRI被视为更新配准的金标准，能提供高对比度图像，但成本高昂（超过500万美元）且物流复杂。iUS则成本低、实时性强，但图像质量受操作者影响，解释需经验。增强现实（AR）和手术显微镜可作为补充，但不直接补偿脑移位。
2.3 脑变形补偿方法
传统方法包括基于图像的配准（image-based registration）和基于物理的生物力学建模（biomechanical modeling）。基于图像的配准通过优化相似度度量（如NCC、MI）和正则化项来估计变形场；深度学习（DL）方法则通过训练数据学习映射，实现快速推理，但需大量标注数据且泛化能力有限。生物力学建模利用有限元方法（finite element method, FEM）求解偏微分方程，模拟脑组织力学行为，但计算成本高。物理引导深度学习（physics-informed neural networks, PINNs）结合两者优势，通过合成数据、PDE损失或FEM先验提高物理合理性。
2.4 图像配准的算法组件
2.4.1 问题形式化：配准目标为找到最优变换φ，使得固定图像与变形后的移动图像相似度最大化，同时正则化变形。2.4.2 相似度度量：分为基于强度（如MSE、NCC、MI、NGF）和基于特征（如SIFT、MIND）的方法，以及利用解剖先验（分割、标志点）的度量。2.4.3 正则化项：包括扩散正则化（平滑性）、拓扑保持（通过雅可比行列式|Jφ|>0实现微分同胚）和逆一致性（Inverse Consistency, IC）。
3. 方法
3.1 检索策略：在PubMed、IEEE Xplore、Scopus和Web of Science中检索2020–2025年英文文献，使用关键词“脑移位”、“脑变形”、“配准”、“模型”、“预测”、“模拟”、“更新”、“补偿”。3.2 筛选过程：由五名研究者分三阶段进行标题/摘要及全文筛选。3.3 纳入标准：聚焦于神经外科不同时间点（如术前-术中、术前-术后）的脑变形建模或补偿，使用临床相关成像模态（MRI、CT、US、手术显微镜），提出或扩展计算方法，并使用人类病理脑数据。排除非手术相关变形、非人类数据或仅关注扩展现实的研究。3.4 检索结果：共817条记录，去重后704条，最终纳入46项研究。深度学习占主导（33项），其中30项进行图像配准；经典迭代方法6项，生物力学建模7项。研究趋势显示2023年达到峰值，BraTS-Reg数据集促进了标准化基准测试。主要模态对为MRI-MRI和MRI-US，数据集以BraTS-Reg、RESECT、BITE为主，且多数研究依赖私有数据。
4. 基于图像的配准
4.1 经典迭代优化：传统方法通过优化目标函数（如NGF、MSE）处理切除腔和模态差异。Canalini等人通过分割切除腔并用掩膜排除，提高配准鲁棒性。Ghose等人利用Sobel梯度图实现MRI-iUS配准。4.2 基于学习的配准：深度学习模型直接预测变形场，常用U-Net架构（如VoxelMorph）。4.2.1 直接位移场回归：如iRegNet，通过监督或无监督学习估计变形。4.2.2 关键点与特征配准：利用稀疏结构（如血管、沟回）进行匹配，适用于大变形和拓扑变化。4.2.3 Transformer配准：如EfficientMorph，通过平面注意力机制降低计算成本，实现高效高分辨率配准。4.2.4 对抗与合成驱动配准：使用GANs（如CycleGAN）或VAEs（如MHVAE）进行模态间翻译，将多模态问题转化为单模态问题。4.2.5 多模态融合：如MSF-AR Net，通过交叉注意力融合多个视图或对比度信息。4.2.6 处理缺失对应：针对切除腔，采用前向-后向一致性掩膜（如DIRAC）、注意力加权或变形建模（如MetaRegNet）来避免错误对应。4.2.7 混合学习：结合深度学习与实例优化（IO），如Wodzinski等人的多阶段流程，在BraTS-Reg挑战中取得领先。
5. 生物力学建模与物理引导配准
5.1 生物力学建模：利用FEM模拟脑变形，考虑几何、材料属性、载荷和边界条件。在术中超声或MRI可用时，生物力学模型作为正则化项提高配准物理合理性。在缺乏完整术中成像时，依赖稀疏线索（如头部朝向、CSF流失）进行预测。5.2 深度学习与物理引导配准：采用物理信息神经网络（PINNs）或图神经网络（如PhysGNN）学习变形，通过嵌入PDE损失或FEM仿真数据实现快速、物理一致的预测。Haouchine等人通过FEM合成图像类比，实现显微镜图像中的变形估计。
6. 配准不确定性
大多数配准方法仅输出单一变形场，缺乏可靠性指示。研究者开发了密集误差估计（如Bierbrier等人的滑动窗口CNN）和概率框架（如PULPo的条件变分自编码器模型），提供逐像素不确定性图。这些方法对于临床安全至关重要，但当前仅25%的研究涉及不确定性或偏差评估。
7. 验证策略与基准测试
验证依赖于公共数据集（BraTS-Reg、RESECT、BITE、ReMIND）和私有数据，但合成数据训练的模型泛化性有限。常用指标包括基于标志点的TRE、Dice系数、雅可比行列式负值比例。DL方法通常与经典方法（如NiftyReg、SyN）比较，且混合方法在BraTS-Reg上表现更优。但评估设置差异大，跨数据集和分布外测试罕见（仅23%和6%），且鲁棒性和不确定性评估不足。
8. 脑图像配准的挑战赛
8.1 BraTS-Reg挑战（2022）：提供259对多模态MRI数据，评估术前-随访配准。最佳方法采用混合DL+IO策略，经典方法在分布外数据上表现相当。8.2 ReMIND2Reg挑战（2024）：聚焦术前MRI与术后切除iUS的配准，99对训练数据。经典NiftyReg方法优于所有学习型提交，凸显了学习型方法在模态差异和严重拓扑变化下的局限性。
9. 讨论
9.1 关键方法学要点：直接位移场回归适用于小变形同模态配准，但无法处理切除腔；跨模态对齐仍为开放难题，合成驱动方法最具潜力；关键点法鲁棒性强但依赖匹配质量；缺失对应处理在MRI-MRI中较成熟，但未充分验证于其他场景；Transformer提供全局上下文但计算成本高；混合学习在基准测试中表现优异；物理引导配准提供物理合理性，但材料参数估计仍为瓶颈。9.2 验证与不确定性：当前验证依赖平均精度指标，缺乏可靠性指示；跨数据集和分布外测试不足；仅少数研究进行不确定性估计，距临床安全要求有差距。9.3 临床整合与未来方向：当前临床实践仍以经典方法为主（如Brainlab的iUS-MRI融合），学习型方法尚未实现临床转化。主要障碍包括：训练数据稀缺、分布偏移、缺乏前瞻性验证和可解释性。未来优先方向包括：建立大规模多中心术前MRI-术后iUS基准（如ReMIND的扩展）、发展跨模态合成方法、利用预训练基础模型、以及混合系统实现经典方法与学习型方法的互补。临床验证需关注手术工作流效率而非单纯计算速度，并建立可解释的输出以增强外科医生信任。
