SAME++：一种基于稳定采样与正则化变换的自监督解剖嵌入增强医学图像配准框架

图像配准是医学图像分析中的基础任务。理想情况下，配准应聚焦于对齐语义上对应的体素，即相同的解剖位置。然而，现有方法通常基于图像强度或人工设计特征直接计算相似性度量，这些度量缺乏解剖学语义信息，在存在大形变、复杂解剖差异或跨模态图像的情况下，容易导致次优解。本文提出一种快速且精确的无监督3D医学图像配准方法——基于自监督解剖嵌入（Self-supervised Anatomical eMbedding, SAM）算法，该算法能够在体素级别上计算两幅图像之间的密集解剖对应关系。我们将其命名为SAM增强型配准方法（SAM-Enhanced registration, SAME++），该方法将图像配准分解为四个步骤：仿射变换、粗略形变、深度非参数形变以及实例优化。通过引入SAM嵌入，我们在各步骤中实现了更一致的对应关系建模，并提供了更具语义指导意义的特征表示。我们在三个具有挑战性的跨受试者配准任务上对SAME++进行了广泛评估，涵盖不同身体部位，并使用超过50个标注器官进行测试。作为一套完整的配准框架，SAME++在Dice评分上显著优于当前主流方法，提升幅度达4.2%–8.2%，同时相较于基于数值优化的方法，运行速度提升数个数量级。代码已开源，地址为：\url{https://github.com/alibaba-damo-academy/same}。