摘要
可变形图像配准（Deformable Image Registration）作为估计不同图像之间空间变换的重要任务，在医学影像领域具有关键作用。深度学习技术已被证明能够高效实现三维图像配准。然而，当前多数配准策略主要关注形变的平滑性，忽视了复杂运动模式（如器官间的分离运动或滑动运动）的建模，尤其是在多器官交界区域，这一局限导致在处理多个邻近物体之间的不连续运动时性能受限，从而在临床应用中引发诸如病灶或其他异常结构的误识别或误定位等不良预测结果。为解决上述问题，本文提出一种新型配准方法：引入一种新型的“运动可分离”（Motion Separable）主干网络，以有效捕捉分离运动特征，并提供了运动不连续性的理论上限分析。此外，设计了一种新颖的残差对齐模块（Residual Aligner），用于解耦并精细化多个邻近器官或物体之间的预测运动。我们所提出的基于残差对齐的网络（Residual Aligner-based Network, RAN）在腹部计算机断层扫描（CT）数据上进行了评估，结果显示其在9个器官的无监督跨被试配准任务中达到了当前最先进的精度水平，尤其在静脉结构配准方面表现突出——下腔静脉的Dice相似系数（Dice Similarity Coefficient, DSC）达62%，平均表面距离（Average Surface Distance, ASD）为4.9 mm；门静脉与脾静脉的DSC为34%，ASD为7.9 mm。与此同时，RAN模型结构更紧凑，计算开销显著低于现有最先进方法。进一步地，在肺部CT数据上的实验表明，RAN在配准性能上可与当前最优网络相当（DSC 94%，ASD 3.0 mm），且在参数量和计算复杂度方面均具有明显优势。