17、医学图像配准技术：全局最优可变形配准与白质纤维束无偏组配准

医学图像配准技术：全局最优可变形配准与白质纤维束无偏组配准

全局最优可变形配准

配准方法介绍

在医学图像领域，提出了一种名为 deeds 的新型可变形配准方法，该方法采用离散优化策略。具体操作如下：
1. 相似度项采样 ：在最高可用分辨率上对相似度项进行密集位移采样。
2. 变形场规则化 ：利用最小生成树上的动态规划来确保变形场的规则性，从而无需迭代方案即可获得全局最优解。
3. 对称多级框架实现 ：该算法在对称多级框架中高效实现，计算时间与现有先进算法相当，但具有更多的自由度。

实验结果分析

对具有挑战性的吸气 - 呼气 CT 扫描数据集进行实验，平均目标配准误差（TRE）为 1.60 毫米。与其他流行的离散优化框架（如 drop 和 gsyn）相比，有显著改进。具体数据如下表所示：
| 方法 | TRE（mm） |
| ---- | ---- |
| deeds | 1.60 |
| drop | 2.85 |
| gsyn | 2.43 |

方法优势

1. 无需肺分割 ：与 EMPIRE 研究不同，deeds 方法在配准过程中未使用肺分割来引导，避免了引入额外步骤，且能恢复更完整的物理变形。
2. 高鲁棒性 ：在存在大变形的情况下，密集位移采样使 deeds 方法对误配准具有更高的鲁棒性。