用于无监督医学图像配准的肿瘤体积保持方法

医学图像配准是一项关键任务，用于估计图像对之间的空间对应关系。然而，当前传统的和基于深度学习的方法依赖于相似性度量来生成形变场，这常常导致不相似区域（尤其是肿瘤区域）出现不成比例的体积变化。这些变化会显著改变肿瘤大小和底层解剖结构，从而限制了图像配准在临床诊断中的实际应用。为解决此问题，我们将带肿瘤的医学图像配准表述为一个约束问题：在保持肿瘤体积的同时最大化其他正常区域的图像相似性。我们提出的策略包含两阶段过程。第一阶段，我们使用基于相似性的配准，通过体积变化识别潜在肿瘤区域，并据此生成软肿瘤掩码。第二阶段，我们提出一种体积保持配准方法，带有一种新颖的自适应体积保持损失，该损失基于前一阶段计算的掩码自适应地惩罚尺寸变化。我们的方法通过软肿瘤掩码调整对各区域（正常区域与肿瘤区域）施加体积保持损失的强度，从而在不同区域间平衡图像相似性与体积保持。这确保了肿瘤体积在配准过程中得以保持。我们在多个数据集和网络架构上评估了我们的策略，结果表明我们的方法在取得与最先进方法相当配准结果的同时，成功保持了肿瘤体积。我们的代码见：\url{https://dddraxxx.github.io/Volume-Preserving-Registration/}。