基于Mamba架构的脑部MR-CT多模态可变形配准新方法及SR-Reg基准数据集构建

时间：2025年5月12日

来源：Computerized Medical Imaging and Graphics

编辑推荐：

针对脑部MR-CT多模态配准数据匮乏及传统方法效率低下的问题，本研究提出基于状态空间模型(SSM)的MambaMorph网络，结合细粒度特征提取器，在自建SR-Reg数据集（180对MR-CT）上实现跨模态精准配准。实验表明其性能超越ConvNet和Transformer方案，为神经外科导航提供高效新工具，代码及数据集已开源。

在神经外科手术规划和医学影像分析领域，精确对齐不同模态的脑部影像一直是个棘手难题。磁共振成像(MR)能清晰显示软组织，但扫描耗时长；计算机断层扫描(CT)虽快速却对软组织对比度差。这种"鱼与熊掌不可兼得"的困境，使得开发高效的MR-CT跨模态配准技术成为临床刚需。然而现有研究大多聚焦MR序列间的配准，脑部MR-CT配准不仅缺乏公开数据集，传统方法还面临计算复杂度高、长程依赖捕捉不足等瓶颈。

为破解这一难题，来自中国的研究团队在《Computerized Medical Imaging and Graphics》发表创新成果。研究首先构建了包含180对颅脑MR-CT的SR-Reg基准数据集，填补该领域数据空白；继而提出名为MambaMorph的新型配准网络，巧妙结合状态空间模型(SSM)的线性计算优势与细粒度特征提取技术。实验证明，该方案在多项任务中超越现有ConvNet和Transformer模型，为跨模态医学影像对齐树立了新标杆。

关键技术包括：1）采用Mamba架构进行全局特征建模，其线性复杂度特性显著降低计算负担；2）设计对称卷积网络作为特征提取器（固定16通道）；3）使用Dice系数和Hausdorff距离(95HD)评估配准精度；4）基于Adam优化器（初始学习率1×10^-4）进行100轮训练。数据源自SynthRAD 2023挑战赛的预处理影像，所有体积数据均经过颅骨剥离和强度校正。

【SR-Reg数据集】
研究团队从SynthRAD竞赛数据中精选180对MR-CT体积数据，经严格预处理（包括解剖结构标注）构建首个脑部MR-CT配准专用数据集。该资源为后续研究提供标准化评估基准。

【MambaMorph架构】
网络核心创新在于：1）利用Mamba模块捕获跨模态长程空间关系，克服传统卷积感受野局限；2）双分支特征提取器强化局部细节嵌入。数学上通过最小化包含Dice损失和形变平滑项的复合目标函数（公式：min_ψ,θ L_dice(x_m∘ϕ, x_f)+λ_sL_smooth(ϕ)）优化参数，其中ϕ=R_ψ(f_m, f_f)表示形变场。

【实验结果】
在SR-Reg和其他脑部数据集上的测试表明：1）MambaMorph在MR-CT配准中mDice提升显著；2）95HD指标优于对比模型；3）推理速度较Transformer方案有数量级优势。消融实验证实SSM模块对性能提升贡献率达37%。

讨论指出，这是首次将状态空间模型成功应用于医学影像配准领域。Mamba的线性复杂度特性使其在保持精度的同时，比传统注意力机制节省68%显存消耗。研究局限性在于当前仅验证了脑部数据，未来需拓展至胸腹部多器官。

该成果由Yinuo Wang（第一作者）、Tao Guo等学者合作完成，获国家自然科学基金（92148206）支持。论文通过开源代码和数据集推动领域发展，为急诊场景下快速获取CT等效解剖信息提供可能，有望缩短神经外科术前规划时间窗口。正如研究者强调，这项工作不仅解决了跨模态配准的算法瓶颈，更重要的是建立了可重复比较的研究基准，为智能手术导航系统的开发奠定基础。