用于可变形多模态医学图像配准的模态无关结构图像表示学习

在不同成像模态间建立密集解剖对应关系是众多医学图像分析研究和图像引导放射治疗的基础性 yet 具有挑战性的步骤。现有的多模态图像配准算法依赖于基于统计的相似性度量或局部结构图像表示。然而，前者对局部变化的噪声敏感，而后者区分度不足，难以应对多模态扫描中的复杂解剖结构，导致在确定不同模态扫描间的解剖对应关系时产生歧义。本文提出了一种模态无关的结构表示学习方法，该方法利用深度邻域自相似性（DNS）和解剖感知对比学习，无需解剖标注或预对齐的训练图像，即可学习具有区分度和对比不变性的深度结构图像表示（DSIR）。我们在多期相 CT、腹部 MR-CT 以及脑部 MR T1w-T2w 配准任务上评估了该方法。综合结果表明，在区分度和准确性方面，我们的方法优于传统的局部结构表示和基于统计的相似性度量。