基于物理信息的深度学习图像配准：融合局部自适应生物力学约束的方法

《Scientific Reports》：Incorporating sliding and local rigidity constraints in neural-based image registration

　　

摘要

图像配准广泛应用于各种应用场景，用于估计在不同时间获取的图像对中运动结构的形变。空间正则化策略通常采用一刀切的方式，在整个图像域上施加均匀的形变约束。这种方法未能考虑被配准结构在空间上的异质性力学特性，这一局限性在对比度较差的区域尤为关键，因为这些区域的形变估计几乎完全依赖于正则化。我们提出了一种基于神经网络的图像配准的物理信息框架，其中神经网络在从固体力学推导出的局部自适应约束下进行训练。该流程根据局部结构类型分别施加刚体位移、剪切运动或伪弹性形变。通过将物理定律直接嵌入训练目标，网络能够学习并内化这些约束，并在推理时仅利用新配准图像中已有的信息进行泛化。我们在合成和真实的三维腹部医学图像上验证了该方法，证明经力学信息训练的神经网络能够将这些约束迁移到同一队列中未见过的新患者上，在硬组织中倾向于刚性形变，在组织界面捕捉滑动运动，从而产生与各结构假设力学行为更加一致的形变，而以微小且可量化的基于强度的配准误差为代价。该方法的代码已公开，适用于三维图像，地址为 https://github.com/Kheil-Z/biomechanical_DLIR。