变形图模型的竞赛：基于 B 样条和网格的多目标可变形图像配准
内容提要
本文综述了多种医学图像配准方法，包括多目标优化、深度学习、进化算法和微分同胚模型，用于解决大变形和多模态配准问题，在精度、速度和变换平滑性方面均有显著提升。
延伸解读
多目标优化与进化算法的优势
文章指出，多目标优化方法能同时处理多个配准目标，如精度和平滑性。MOREA作为首个基于进化算法的多目标可变形配准方法，采用完全GPU加速的3D生物力学网格模型，在腹部CT扫描中表现更好。这表明进化算法在应对大变形时具有潜力，且GPU加速提升了实用性。
深度学习方法的效率与精度平衡
文章提到，循环注册神经网络通过递归对齐实现局部变形，在肺部MRI中与B样条配准精度相当，但变换表示更紧凑且加速约15倍。此外，基于翻译的无监督方法利用双流调节变形场，在多模态配准中表现优越。这些方法在保持精度的同时显著提升了速度，适合临床实时应用。
微分同胚模型与雅可比约束
文章介绍了一种双变量微分同胚配准模型，通过雅可比方程软约束控制局部变形的收缩和扩大，并优化松弛函数来明确控制雅可比行列式。实验表明，该模型在大变形下能产生微分同胚映射，且正性约束能控制相对体积范围而不影响准确性。这为需要拓扑保持的配准提供了新思路。
学习与优化方法的结合策略
文章提到一种结合学习方法和优化方法的策略，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算。在保持相同推理时间和形变场平滑度仅降低0.8%的情况下，通过使用最佳性能的先进模型作为骨干，在测试中获得了0.3%的改进。这种混合方法有望兼顾学习方法的快速性和优化方法的精确性。
Q&A
医学图像配准中如何处理大幅度变形和内容不匹配问题？
本文提出了一种多目标三维变形图像配准方法，结合多目标优化方法和双动态网格变换技术，有效解决了医学图像中的大幅度变形和内容不匹配问题，并取得了良好效果。
循环注册神经网络在图像配准中是如何工作的？
循环注册神经网络采用递归对齐方式，计算每个元素的局部变形，最终的空间对齐由所有局部变形的总和得到。该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在肺部磁共振图像实验中，与参数化B样条配准方法相比，准确性不相上下，但变换表示更紧凑，加速约15倍。
MOREA方法在医学图像配准中有什么特点？
MOREA是第一个基于进化算法的多目标方法，用于可变形医学图像配准，能够应对大变形，并采用完全GPU加速的3D生物力学网格模型。在4个人的腹部CT扫描中表现更好。
GSMorph模型如何实现多重损失的平衡？
GSMorph基于梯度手术机制，实现多重损失的超参数自由平衡。在两种公开的心脏MRI数据集上，其注册精度和平滑度优于五种SOTA学习型注册模型和两种传统注册技术SyN和Demons。
双变量微分同胚图像配准模型有什么创新？
该模型具有雅可比方程软约束，允许局部变形在灵活范围内收缩和扩大，通过优化松弛函数明确控制变换的雅可比行列式，并采用正则化器确保松弛函数的平滑性。数值实验表明算法收敛性强，正性约束能控制相对体积范围而不影响配准准确性，在大变形下产生微分同胚映射并取得更好性能。
如何将学习方法和优化方法结合用于图像配准？
本研究将学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算。在保持相同推理时间和形变场平滑度仅降低0.8%的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了0.3%的改进。
