基于SynthMorph的解剖感知且与采集无关联合配准

仿射图像配准是医学图像分析的基石。虽然经典算法可以达到极好的精度，但它们对每一对图像都需进行耗时的优化。深度学习方法(DL)学习一个将图像对映射到输出变换的函数。函数求值很快，但捕捉大幅变换可能具有挑战性，且若测试图像特征偏离训练域（如分辨率），网络往往表现不佳。大多数仿射方法对用户希望对齐的解剖结构不敏感，这意味着若算法考虑图像中的所有结构，配准将不准确。我们通过SynthMorph解决这些不足，这是一个快速、对称、微分同胚且易用的DL工具，用于任意脑图像的仿射-可变形联合配准而无需预处理。首先，我们采用一种策略，用从标签图合成的差异极大的图像训练网络，从而对训练时未见的图像类型产生鲁棒性能。其次，我们优化所选解剖标签的空间重叠。这使网络能区分感兴趣解剖结构与无关结构，消除了排除可能妨碍解剖特异性配准内容的预处理需求。第三，我们将仿射模型与可变形超网络结合，让用户在配准时以其特定数据的最优变形场正则性进行选择，耗时仅为经典方法的一小部分。我们分析了竞争架构如何学习仿射变换，并在极多样的神经影像数据上比较了最先进的配准工具，旨在真正捕捉现实世界中方法的行为。SynthMorph展现出高精度，并可于 https://w3id.org/synthmorph 获取，作为脑MRI配准的单一完整端到端解决方案。