在线直播

医学图像配准是众多医学影像后处理与临床分析任务的重要基础。在多模态图像配准中，由于不同成像模态之间存在显著的强度分布差异，模型往往难以准确捕捉跨模态的结构对应关系，这构成了该任务的核心难点。在实际临床场景中，多模态配准还面临更多挑战。例如，在CT引导的肿瘤消融手术中，医生需融合术前MR与术中CT图像以规划消融路径，这就要求配准模型不仅具备高精度，还需处理大形变并满足实时性需求。目前主流的医学图像配准模型多基于深度学习构建。然而，经典的U-Net架构在处理大形变时表现有限，而级联模型通常仅在固定尺度上迭代优化，灵活性不足。

为应对上述挑战，在线直播-性爱直播-古装做爱 /磁共振诊疗高端技术国家工程研究中心徐学敏、孙建奇团队，在医学图像分析顶级期刊《Medical Image Analysis》上发表了题为《ARDMR: Adaptive recursive inference and representation disentanglement for multimodal large deformation registration》的研究论文[1]。该研究提出了一种新型多模态配准模型ARDMR，通过两个关键机制显著提升大形变下的配准性能：在编码阶段引入表征解耦技术，提取模态无关的图像特征；在配准阶段提出自适应递归推理机制，逐步优化配准结果。

该方法基于双流金字塔架构，两个分支参数独立、不共享，同时设计了多层模态无关对比损失，逐层约束特征输出，从而有效解耦模态特异性信息。这一设计不仅缓解了模态差异带来的困难，还增强了模型对多中心数据的泛化能力，减轻域偏移问题。在配准阶段，ARDMR以经典金字塔结构为基础，将变形场与配准特征逐级向后传递，使每一层都能参考更丰富的信息。此外，模型引入自适应递归推理策略，在已训练好的模型基础上，对每一配准层进行递归调用，进一步提升模型对大形变的适应能力。该机制不仅直接提升了配准精度，还有效缓解了金字塔模型中常见的误差累积问题。

图1 文章提出模型的整体框架图

       论文在私有及公开的多中心、多模态数据集上验证了ARDMR的性能。实验结果表明，该方法在多模态、多中心、大形变场景下均表现优异。相较于现有方法，ARDMR得到的配准结果在结构对齐上更为精准，尤其在细节区域表现突出。变形场可视化也显示，ARDMR能够生成更为复杂且合理的形变场。此外，研究还通过t-SNE对多中心、多模态数据的特征分布进行可视化。结果显示，经过模态解耦后，不同来源、不同模态的图像特征在嵌入空间中更加接近，验证了该方法的特征泛化能力。最后，文章展示了自适应递归推理在不同配准尺度上的逐步优化效果，进一步说明递归策略在大形变配准中的关键作用。

图2 不同模型在多中心多模态配准结果展示以及对应的变形场

图3  A图表示源数据的特征分布，B图表示数据经过模型解耦后特征分布

图4 自适应递归配准的逐层可视化结果

综上所述，ARDMR模型通过模态无关特征解耦与自适应递归配准机制，在多模态、多中心、大形变场景中展现出优越的鲁棒性与泛化能力。该研究不仅揭示了模态无关特征在配准任务中的核心作用，也验证了逐步递归优化策略在处理大形变问题中的有效性，为相关领域的研究者提供了重要启发。

[1] Hu Y, Zhang Q, Zhao Z, et al. ARDMR: Adaptive recursive inference and representation disentanglement for multimodal large deformation registration[J]. Medical Image Analysis, 2025: 103844.

论文链接：//doi.org/10.1016/j.media.2025.103844