基于多目标双单纯形网格的可变形医学图像配准用于 3D 图像——概念验证

通过可变形图像配准在具有较大解剖差异的图像间可靠且物理准确地传递信息，是医学图像分析中的开放挑战。大多数现有方法有两个关键缺陷：其一，它们需要对每个特定配准问题进行大量前期参数调优；其二，它们难以捕捉图像间的大形变与内容失配。然而，已有一些发展为解决这两类缺陷的潜在方案奠定了基础。针对第一缺陷，使用实值基因池最优混合进化算法（RV-GOMEA）的多目标优化方法已被证明能在算法的一次运行中为 2D 图像生成一组多样的配准结果，代表配准问题中冲突目标间的不同权衡。这让用户可在事后选择配准并免除了前期调优的需要。针对第二缺陷，双动态网格变换模型已被证能有效捕捉 2D 图像中的巨大差异。这两项发展近期通过 GPU 并行化得到加速，带来了大幅提速。基于该加速版本，现在可将方法扩展至 3D 图像。相应地，本工作引入了首个多目标 3D 可变形图像配准方法，使用基于单纯形网格的 3D 双动态网格变换模型，同时仍支持标注引导信息与多分辨率方案的引入。我们的概念验证原型在合成与临床 3D 配准问题上展示了有前景的结果，构成了一种可纳入生物力学特性的新颖且具洞察力方法的基础。