基于深度学习的面脑转位图谱注册：在保持病理学特征的同时实现队列级分析
计算机视觉与模式识别
2026-02-16 v1 人工智能
医学物理
摘要
黑色素瘤脑转移(MBM)常见且在空间上具有异质性，由于解剖变异性和不同的MRI协议，导致队列级分析复杂化。我们提出了一个完全可微的、基于深度学习的可变形注册框架，将个体病理脑影像对齐到共同的图谱中，同时保留转移组织，无需转移掩模或预处理。通过基于距离变换解剖标签的前向模型相似度度量，结合体积保持正则化项以确保变形的可行性，处理因转移导致的缺失解剖对应关系。评估了Dice系数(DSC)、屠宰hausdorff距离(HD)、平均对称表面距离(ASSD)以及基于雅可比的措施。该方法应用于来自三个中心的209名MBM患者，实现了将转移映射到解剖、动脉和灌注图谱的标准化。该框架在数据集上实现了高注册精度（DSC 0.89-0.92，HD 6.79-7.60 mm，ASSD 0.63-0.77 mm），同时保留转移体积。空间分析显示，MBM在脑皮层和基底节中被显著富集，在白质中被低估，且在灰白质界面附近定位一致。没有任何血管区显示转移频率增加。该方法实现了无需转移掩模即可进行病理脑MRI图谱注册，支持可重复的多中心分析。应用于MBM，确认并细化了已知的空间偏好，特别是偏好在灰白质界面和皮层区域定植。公开可用的实现 facilitates 可重复研究并可扩展至其他脑肿瘤和神经病理。
引用
@article{arxiv.2602.12933,
title = {Deep-Learning Atlas Registration for Melanoma Brain Metastases: Preserving Pathology While Enabling Cohort-Level Analyses},
author = {Nanna E. Wielenberg and Ilinca Popp and Oliver Blanck and Lucas Zander and Jan C. Peeken and Stephanie E. Combs and Anca-Ligia Grosu and Dimos Baltas and Tobias Fechter},
journal= {arXiv preprint arXiv:2602.12933},
year = {2026}
}