RDNet：基于多尺度注意力与区域特定迭代形变的医学图像配准方法及其在脑部MRI与肺部CT中的应用

　　本综述提出RDNet框架，创新性地融合映射块（MB）与区域特定层（RSL）模块，通过多尺度注意力机制和金字塔解码器结构解决医学图像配准（DMIR）中形变场复杂变异和特征不对齐问题。在脑部MRI（OASIS、LPBA40）和肺部CT数据集上实现了最先进的配准精度，为临床诊断与疾病监测提供高效解决方案。

　　

Highlight

尽管金字塔架构取得显著进展，其在处理不同分辨率特征图的形变场复杂变异时仍面临挑战。现有方法对移动图像和固定图像采用对称处理，忽略了固定图像在形变估计中的主导作用。为此，我们提出RDNet框架，包含两个核心模块：映射块（Mapping Block, MB）和区域特定层（Region Specific Layer, RSL）。MB通过空间与通道注意力机制嵌入固定图像的跳跃连接，有效缩小编码器-解码器间的高层语义鸿沟；RSL则在多尺度框架下捕获区域特异性长程依赖，提升形变场精度并最小化形变损失。

Deformable image registration

传统方法如弹性模型（Elastix）、统计参数映射（SPM）、Demons及其变体（如Diffeomorphic Demons）通过迭代优化距离准则实现配准，但计算成本高昂且难以满足实时临床需求。学习式方法尤其是卷积神经网络（CNN）和Transformer架构的引入，显著提升了配准效率与精度。

Network overview

RDNet采用双流金字塔架构，包含CNN编码器和多尺度解码器。处理移动图像I_M ∈ R^H×W×D和固定图像I_F ∈ R^H×W×D，提取层次特征{E_M^l, E_F^l | l=1–4}，并通过RSL模块逐步融合多尺度特征与移动图像，生成高精度形变场。

Dataset & preprocessing

我们在三个公开数据集上验证模型：包含405例T1W MRI的OASIS脑数据集、40例T1W MRI的LPBA40脑数据集，以及肺部CT Learn2Reg数据集。所有数据裁剪至80×96×112尺寸，OASIS中225例用于训练、150例用于测试，LPBA40采用留一法交叉验证，肺部CT数据按4:1划分训练测试集。

Quantitative analysis

RDNet在DSC（ Dice相似系数）、雅可比行列式（Jacobian determinant）和HD95（ Hausdorff距离95%分位数）等指标上均优于传统方法（如SyN、VoxelMorph）及最新CNN-Transformer混合模型（如TransMorph、PIViT），证实其在跨模态场景下的鲁棒性与精确性。

Conclusion

RDNet通过MB与RSL模块的协同设计，实现了精准且稳定的医学图像配准。MB强化固定图像的特征表达，RSL则保障多尺度形变场的细节捕获，为临床诊断与手术规划提供可靠技术支撑。