Unsupervised multimodal brain MRI registration with complementary learned and structural descriptors.
本文提出了一种无监督多模态脑部 MRI 配准方法，该方法将自监督对比学习网络与结构化 MIND-SSC 描述符相结合，在无需解剖标签的情况下，实现了 T1 加权和 T2 加权图像配准的高精度与高效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学影像领域，大脑经常通过不同类型的磁共振扫描进行绘图，每种类型都揭示了该器官不同层面的故事。一种被称为 T1 加权成像的常见类型，就像是一张大脑固体结构的高对比度地图，清晰地将负责思考的灰质与连接它们的白质区分开来。另一种被称为 T2 加权成像的类型，则突出了液体和异常情况，这对于发现肿胀、肿瘤或其他病理变化至关重要。医生和研究人员通常会将这两类图像并排观察，以获得患者健康的完整图景。然而，为了有效地结合它们，这两幅图像必须完美对齐，使得其中一幅扫描中的每一个点都对应另一幅扫描中的完全相同的点。这种被称为“配准”的过程，在比较两种相同类型的图像时非常简单，但在尝试将 T1 扫描与 T2 扫描进行匹配时，却变成了一个艰巨的谜题。挑战在于，同一种组织在每种扫描中看起来可能完全不同；例如，大脑中充满液体的空间在一种扫描中呈现为暗色，而在另一种中则呈现为亮色。由于亮度模式并不遵循简单的规则，依赖于匹配像素亮度的标准方法会失效，导致研究人员缺乏一种可靠的方法来将这些互补的视图缝合在一起。
来自高丽大学和首尔市立大学的一个研究小组开发了一种新方法，无需人工标签或数小时的计算即可解决这一对齐问题。他们的工作重点是教计算机识别大脑解剖结构的底层形状，而不受扫描中组织看起来明亮或黑暗程度的影响。研究人员并没有试图强迫图像看起来一致，而是训练了一个系统来学习两种描述大脑结构的不同方式。第一种方法使用一套手工设计的规则，观察图像的小块如何与其邻近部分相似，这种技术对亮度的变化具有鲁棒性。第二种方法则使用神经网络，通过研究成千上万对已对齐的 T1 和 T2 扫描图像来学习其自身的图像描述方式，从而发现那些在不同对比度下保持一致的模式。关键的发现是，这两种方法并不竞争，而是互补的。手工规则擅长定义清晰的边界，而学习到的描述则更擅长理解组织的广泛背景。通过将两者结合，研究人员创建了一个能够以极高精度对齐这两个扫描图像的系统。
这种混合方法的测试结果是在来自健康成年人的大量大脑扫描集以及来自脑肿瘤患者的扫描集上进行的。在这些测试中，新系统成功地实现了图像的高精度对齐，表现优于传统的旧方法以及更新、更复杂的深度学习模型。该领域衡量成功的一个关键指标是，配准过程是否会以不可能的方式扭曲大脑形状，例如使组织发生折叠。研究人员发现，他们的方法产生了完美的平滑且有效的变换，没有出现此类扭曲，而一些竞争性的规模化模型则是通过产生物理上不可能的折叠来获得评分的。该系统也非常快速，在标准计算机硬件上，能够在不到十分之一秒的时间内完成一对大脑扫描的对齐。这种速度和可靠性意味着该技术可以轻松集成到常规的医院工作流中，让医生能够即时合并不同类型的脑部扫描，以便更好地规划手术、追踪疾病进展或监测治疗效果。
研究还表明，该系统足够鲁棒，能够处理在不同机器上拍摄的扫描图像，并能适应具有显著异常（如肿瘤引起的占位效应）的大脑。在这些困难案例中，组合方法在对齐大脑结构方面比其他方法更加忠实，特别是在对于理解神经系统状况至关重要的脑部深层微小区域。研究人员强调，该系统不需要对扫描进行任何人工标注即可进行学习，这意味着医院可以使用它们现有的原始图像来训练该系统。这种利用无标签数据进行学习的能力，结合其速度和准确性，表明该方法可以成为提高临床环境下脑部成像精准度的实用工具。通过证明一个结合了学习型洞察与结构型洞察的小型、高效网络可以超越庞大的模型，这项工作为使多模态脑部成像更加准确和普及提供了一条新的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。