Unsupervised Deformable Image Registration with Local-Global Attention and Image Decomposition

本文提出了一种名为 LGANet++ 的无监督可变形图像配准框架，通过结合新颖的局部 - 全局注意力机制与特征交互融合技术，在跨患者、跨时间及跨模态 CT-MR 等多种临床场景下显著提升了配准精度与泛化能力，并优于现有最先进方法。

要点

这篇文章介绍了一种名为 LGANet++ 的新技术，它就像是一位超级精准的“图像对齐魔术师”，专门用来解决医学影像中一个非常头疼的问题：如何把两张形状、大小甚至成像原理都不同的身体照片，完美地叠在一起。

为了让你更容易理解，我们可以把这项技术想象成**“给不同人的大脑或器官做拼图”**。

1. 核心问题：为什么给照片“对齐”这么难？

想象一下，你有两张照片：

• 照片 A（参考图）： 一个标准的人体模型，或者昨天的体检报告。
• 照片 B（移动图）： 今天刚拍的患者照片，或者不同人的照片。

因为每个人长得不一样（跨患者），或者同一个人呼吸时肺部会膨胀收缩（跨时间），甚至 CT 和 MRI 拍出来的样子完全不同（跨模态），照片 B 里的器官位置、形状都和照片 A 对不上。

传统的做法就像**“笨拙的裁缝”**：拿着尺子一点点量，算半天，既慢又容易出错，而且换个病人可能就不灵了。

2. LGANet++ 的解决方案：三位一体的“对齐大师”

LGANet++ 就像是一个拥有三只神奇眼睛和一套精密工具的超级裁缝，它通过三个步骤来完成任务：

第一步：远近兼顾的“透视眼”（局部 - 全局注意力机制 LGAM）

• 比喻： 想象你在拼一幅巨大的拼图。
  • 局部眼： 它能看清拼图里每一小块（比如某个血管的弯曲度）的细节，确保小地方对得准。
  • 全局眼： 它又能退后一步，看整幅图的布局（比如心脏在左边还是右边），确保大方向不错。
• 作用： 以前的技术要么只看细节忘了大局，要么只看大局丢了细节。LGANet++ 能同时看清“微观”和“宏观”，无论变形多复杂，都能找到对应的点。

第二步：强强联手的“翻译官”（特征交互与融合模块 FIFM）

• 比喻： 假设照片 A 是“中文”，照片 B 是“英文”，它们说的“器官”其实是同一个东西，但表达方式不同。
  • 这个模块就像一个超级翻译官，它把两张图里的信息拆解开（图像分解），然后互相“对话”和“交换情报”。
  • 它不只是简单地把两张图叠在一起，而是让两张图的“灵魂”（特征）互相理解，找出哪里该往哪挪。
• 作用： 解决了不同病人、不同机器拍出来的照片“语言不通”的问题，让对齐更精准。

第三步：由粗到细的“雕刻刀”（多尺度融合与金字塔策略）

• 比喻： 想象雕刻一座雕像。
  • 你不会一开始就拿着小刀去刻眼睛的睫毛。你会先用大石头把大概的轮廓（头、身体）定下来（粗）。
  • 然后再慢慢细化，刻出手臂、手指（中）。
  • 最后才去精修眼睛、眉毛的纹理（细）。
• 作用： LGANet++ 也是这么干的。它先快速把大轮廓对齐，然后一层层地细化，直到像素级别都完美吻合。这种“由粗到细”的方法，既快又稳。

3. 它厉害在哪里？（实验结果）

作者用五种不同的医学数据集（包括大脑、肺部、腹部等）测试了这个“魔术师”，结果非常惊人：

• 跨病人（不同人）： 就像把张三的照片强行拼到李四的模板上，准确率提升了 1.39%。
• 跨时间（同一个人不同时间）： 比如对比病人呼吸时肺部的变化，准确率提升了 0.71%。
• 跨模态（CT 和 MRI）： 这是最难的任务！CT 像看骨头，MRI 像看软组织，两者长得完全不一样。LGANet++ 居然把准确率提升了 6.12%，这是一个巨大的飞跃！

最酷的一点： 以前那种需要人工标注（告诉电脑哪里是哪里）的方法，或者传统的慢速计算方法，在这个新技术面前都显得笨拙。LGANet++ 不需要人工教，自己就能学会，而且速度极快（几秒钟搞定），非常适合医院里争分夺秒的场景。

4. 总结：这对我们意味着什么？

简单来说，LGANet++ 让医生看病更准、更快了。

• 手术导航： 医生可以在手术前，把患者的 CT 和 MRI 完美融合，像看 3D 地图一样看清肿瘤位置，手术更精准。
• 病情监测： 可以精确对比病人几个月前后的变化，哪怕是很微小的肿瘤生长或器官萎缩，都能被捕捉到。
• 普及性： 因为它不需要昂贵的“人工标注”数据，未来可以更容易地推广到各种医院，甚至不同的医疗系统中。

一句话总结： LGANet++ 就像给医学影像装上了一个**“智能自动对焦 + 智能拼图”**系统，让原本模糊、错位的医学照片瞬间变得清晰、整齐，帮助医生做出更正确的诊断。

技术摘要

这是一份关于论文《Unsupervised Deformable Image Registration with Local-Global Attention and Image Decomposition》（基于局部 - 全局注意力与图像分解的无监督可变形图像配准）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：
医学图像分析中的可变形图像配准（Deformable Image Registration）对于疾病诊断、多模态融合和手术导航至关重要。然而，现有的方法面临以下挑战：

• 传统方法局限： 基于迭代优化的传统方法计算量大，难以满足实时临床需求，且泛化能力差。
• 深度学习的不足： 虽然基于深度学习的无监督方法（如 VoxelMorph）速度快，但在处理大位移（large displacements）和高解剖变异性（如跨患者、跨时间、跨模态）的场景时，直接估计形变场往往效果不佳。
• 特征交互不足： 现有的注意力机制方法（如 TransMorph, GroupMorph）虽然引入了注意力机制，但往往未能充分探索移动图像（Moving Image）与固定图像（Fixed Image）之间的特征交互，导致难以学习精确的体素级对应关系。
• 多尺度与上下文缺失： 难以同时捕捉细粒度的局部细节和长距离的全局上下文关系，导致在复杂形变区域配准精度下降。

2. 方法论 (Methodology)

作者提出了一种名为 LGANet++ 的新型无监督可变形图像配准框架。该框架采用**由粗到细（Coarse-to-Fine）**的金字塔注册策略，主要包含以下核心组件：

2.1 整体架构

LGANet++ 由三个主要部分组成：

1. 双流特征编码器（Dual-stream Feature Encoder）： 使用共享权重的编码器分别从固定图像和移动图像中提取多尺度特征金字塔。
2. 多尺度融合模块（Multi-Scale Fusion Module, MSFM）： 用于整合不同分辨率的特征图，并在不同尺度间传递语义信息，增强上下文连贯性。
3. 解码器（Decoder）： 利用局部 - 全局注意力机制和特征交互融合模块，分层细化形变场。

2.2 核心创新模块

• 局部 - 全局注意力模块 (Local-Global Attention Module, LGAM)：

  • 功能： 用于估计初始的粗粒度形变场（$\phi_4$）。
  • 机制： 结合了局部注意力（Local Attention, LA）和全局注意力（Global Attention, GA）。LA 将特征图分割为多个局部体积，分别计算注意力以捕捉细粒度的局部匹配关系；GA 则维持区域间的全局一致性。两者结合以处理显著的区域形变差异。
  • 输入： 融合后的特征 $C_4$、移动图像特征 $M_4$ 和固定图像特征 $F_4$。

• 特征交互与融合模块 (Feature Interaction and Fusion Module, FIFM)：

  • 功能： 在解码的每个阶段，用于迭代优化和细化形变场。
  • 机制：
    1. 图像分解模块 (Image Decomposition Module, IDM)： 强制对齐 warped 图像和固定图像的解耦结果，确保一致性。
    2. 通道注意力模块 (Channel-wise Attention Module, CWAM)： 结合多通道注意力（MCA）和 Squeeze-and-Excitation (SE) 机制，自适应地融合来自融合特征 $C_i$、固定图像 $F_i$ 和解码中间结果的特征，强调重要通道。
  • 流程： 通过 $3D$ 相关性层计算特征相似度，利用 IDM 进行对齐，最后通过 CWAM 输出优化的形变场。

• 由粗到细的优化策略 (Coarse-to-Fine Optimization)：

  • 模型生成一系列形变场 $[\phi_4, \phi_3, \phi_2, \phi_1]$。
  • 利用上采样（Upsampling）和可微形变层（Diffeomorphic layers，基于指数映射），将上一阶段的形变场作为先验，逐步细化当前阶段的形变场，确保拓扑结构的平滑性和可逆性。

• 损失函数：

  • 采用局部归一化互相关（Local NCC）作为相似度度量。
  • 加入基于形变场梯度的正则化项，确保形变场的平滑性。

3. 主要贡献 (Key Contributions)

1. 提出了 LGANet++ 网络： 一种结合局部 - 全局注意力机制的由粗到细编码器 - 解码器网络，显著提升了配准的准确性和鲁棒性。
2. 设计了多尺度融合模块 (MSFM)： 有效整合了不同分辨率特征图间的语义信息，增强了形变场的上下文连贯性。
3. 开发了专用模块：
   • LGAM： 同时捕捉局部和全局特征依赖。
   • FIFM： 包含图像分解（IDM）和通道注意力（CWAM），实现了结构化和精细化的特征交互与对齐。
4. 广泛的实验验证： 在 5 个公开数据集上，针对跨患者（Cross-patient）、跨时间（Cross-time）和跨模态（Cross-modal）三种场景进行了评估，证明了其优越性。

4. 实验结果 (Results)

研究在五个数据集（LPBA, IXI, OASIS, Lung CT, Abdomen CT-MR）上进行了测试，并与 9 种最先进（SOTA）的方法（如 VoxelMorph, PRNet++, GroupMorph, RDP 等）进行了对比。

• 跨患者配准 (Cross-patient, LPBA & IXI)：

  • 在 LPBA 数据集上，LGANet++ 取得了最高的 Dice 相似系数（73.52%）和最低的 HD95（5.10 mm），优于次优方法 RDP。
  • 在 IXI 数据集上，Dice 达到 83.60%，显著优于其他方法。
  • 在外部测试（OASIS 数据集，模型在 IXI 上训练）中，Dice 提升了 1.39%，表现出极强的泛化能力，性能下降幅度最小。

• 跨模态配准 (Cross-modal, Abdomen CT-MR)：

  • 这是最具挑战性的任务。LGANet++ 取得了 80.28% 的 Dice，比次优方法 RDP 提高了 6.12%。
  • HD95 降至 6.43 mm，显著改善了边界对齐精度。

• 跨时间配准 (Cross-time, Lung CT)：

  • 在肺 CT 呼吸运动配准中，Dice 达到 97.61%，目标配准误差（TRE）降至 2.02 mm。
  • 相比次优方法，Dice 提升了 0.71%，TRE 提升了 12.9%。

• 拓扑保持：

  • LGANet++ 在大多数情况下保持了极低的负雅可比行列式（NJD）比例，表明其生成的形变场平滑且拓扑结构保持良好（例如在 Lung CT 上 NJD 仅为 0.002%）。

• 消融实验：

  • 逐步添加 LGAM、FIFM 和 MSFM 模块，Dice 分数从基线的 70.02% 提升至 73.52%，证明了各模块的有效性和互补性。

5. 意义与影响 (Significance)

• 临床实用性： LGANet++ 能够处理大位移、跨模态和跨时间的复杂配准任务，且推理速度快（<1 秒），非常适合临床实时应用，如术中导航、纵向疾病监测（如阿尔茨海默病、肿瘤演化）和多模态图像融合（CT-MR, PET-MRI）。
• 无监督优势： 无需昂贵的体素级形变场真值（Ground Truth），仅利用图像相似度即可训练，解决了多模态和纵向数据标注困难的问题。
• 技术突破： 通过引入局部 - 全局注意力机制和显式的特征交互分解，解决了传统深度学习方法在复杂解剖结构和模态差异下特征对齐不充分的问题，为医学图像配准提供了新的架构范式。
• 局限性： 尽管性能优异，但在某些数据集上仍偶有非微分同胚（non-diffeomorphic）现象，且模型复杂度较高，对显存有一定要求。未来工作将致力于引入生物力学约束并优化模型轻量化。

总结： LGANet++ 通过创新的注意力机制和特征融合策略，在保持无监督学习高效性的同时，显著提升了医学图像配准的精度、鲁棒性和泛化能力，特别是在极具挑战性的跨模态和跨时间场景中表现突出。