面向脑影像配准的深度展开网络研究

目的医学图像配准在手术导航、疾病监测和多模态诊断等临床应用中具有关键作用。然而传统迭代优化方法可解释性强但计算效率低下，深度学习方法存在黑盒特性导致模型的可解释性不足。对此，本研究提出了一种基于模型解耦的深度展开配准网络，旨在兼顾高效计算与模型可解释性。方法首先通过变量松弛将配准问题解耦为相似性约束和形变正则化两个子问题。在此基础上，受深度展开网络的启发，进一步将迭代优化过程映射为多层神经网络。保真项模块用于解决相似性约束子问题，采用基于TransUnet的架构，实现融合局部特征与全局上下文。去噪模块用于解决形变正则化子问题，采用基于残差连接的去噪网络架构近似正则项。两模块协同完成单次交替迭代，并通过级联构成深度展开网络。所提出的深度展开配准网络与迭代优化步骤严格对应，每层操作具有明确物理意义和数学依据，显著提升了模型的可解释性。结果本文方法在LPBA40和OASIS公开脑部数据集上的戴斯相似系数（Dice Similarity Coefficient，Dice）分别为70.1%和79.9%，负雅可比矩阵行列式百分比为0.010，验证了所提方法的有效性。结论提出的基于模型解耦的深度展开配准网络有效融合了传统迭代优化方法与深度学习方法的优势，在保持较高计算效率和精度的同时显著提升了可解释性。