4. 医学影像配准工程
医学影像配准是把两幅或多幅来自不同时间、不同设备、不同模态的图像，通过空间变换对齐到同一坐标系的过程。在多模态融合工程中，配准是融合的前置条件：CT 提供电子密度与骨结构，MRI 提供软组织对比，PET 提供代谢信息，只有把它们的体素在空间上对应起来，融合结果才具有解剖与功能意义。配准的核心是求解一个空间变换 T，使浮动图像 I_F 经变换后与参考图像 I_R 在解剖结构上一致，即最小化相似性度量与正则化项构成的能量函数。
一、按变换复杂度划分的三类配准
刚性配准只允许旋转和平移，共 6 个自由度（3 旋转 + 3 平移）。它适用于同一患者、同一部位、骨骼等刚性结构在不同扫描间的对齐，例如头部 CT 与 MRI 的颅骨对齐。刚性变换保持距离和角度不变，参数少、求解稳定，是多数配准流程的第一步。
仿射配准在刚性基础上增加缩放和剪切，共 12 个自由度。它可补偿不同扫描仪的体素间距差异、梯度非线性导致的轻微形变，以及患者摆位造成的整体拉伸。仿射变换仍是全局线性变换，直线变换后仍为直线。
可变形配准（非刚性配准）允许每个局部区域独立形变，自由度可达数百到数百万。常用模型包括 B 样条自由形变（FFD）、薄板样条（TPS）、光流场和微分同胚模型（如 SyN、LDDMM）。可变形配准用于补偿呼吸、心跳、组织变形和不同模态间的软组织差异，但自由度越高，越容易产生不合理的折叠或过度形变，因此必须配合正则化约束。
二、相似性度量：从互信息到深度学习
配准的驱动力来自相似性度量。单模态配准常用均方误差（MSE）或归一化互相关（NCC），因为同一模态下对应体素的灰度关系近似线性。多模态配准中，CT 的骨为高亮、MRI 的骨为暗信号，灰度关系不固定，此时互信息（MI）成为经典选择。
互信息衡量两幅图像灰度分布的统计相关性：当两幅图像对齐时，联合直方图趋于集中，联合熵 H(A,B) 减小，互信息 I(A,B)=H(A)+H(B)−H(A,B) 增大。工程中常用归一化互信息（NMI）以降低对重叠区域的敏感度。MI 的局限在于忽略空间信息，对噪声和重叠率变化敏感，且目标函数可能非凸，需要多分辨率金字塔与良好初值。
深度学习配准近年成为主流。按输出形式可分为两类：监督式方法用已知形变场（如合成形变或仿真数据）训练网络直接回归变换参数或形变场；无监督式方法（如 VoxelMorph）以相似性损失加形变场平滑损失为训练目标，无需金标准形变场。网络输入为参考与浮动图像对，输出为稠密位移场或变换参数，推理速度可达秒级甚至亚秒级，远快于传统迭代优化。其代价是依赖训练数据分布，跨中心、跨设备泛化能力需要验证。
三、配准质量评估
配准结果不能只看相似性指标，必须结合几何与临床可用性评估。常用指标包括：
- 目标配准误差（TRE）：在若干解剖标志点上计算配准后对应点距离，是金标准指标，但需要人工标注标志点。
- Dice 相似系数：对分割掩膜计算重叠度，Dice = 2|A∩B|/(|A|+|B|)，常用于器官或病灶对齐评估。
- 雅可比行列式：检查形变场是否出现折叠（行列式 ≤ 0 表示局部折叠），是形变合理性的硬约束。
- 逆一致性误差：正向与反向变换的复合应接近恒等变换，用于检验变换的可逆性。
- 视觉检查：棋盘格叠加、差值图、边缘叠加，是发现局部错配最直接的手段。
四、失败案例与排查思路
配准失败通常表现为局部错配、整体偏移或形变折叠。以下为典型场景与排查方向：
| 失败现象 | 可能原因 | 排查与处理 |
|---|---|---|
| 整体偏移、旋转错误 | 初值差、坐标系方向不一致（LPS/RAS） | 检查 DICOM 方向标签，先做刚性粗配准，再进入精细阶段 |
| 软组织局部错配 | 可变形自由度不足或正则化过强 | 降低平滑权重、增加控制点密度，分区域配准 |
| 形变场折叠 | 正则化过弱、相似性度量被噪声主导 | 提高弯曲能量惩罚，检查雅可比行列式，限制最大位移 |
| 多模态对齐差 | 互信息陷入局部极值、重叠区域过小 | 使用多分辨率金字塔、NMI、先粗后精，扩大重叠区 |
| 深度学习配准泛化差 | 训练数据与目标域分布不一致 | 加入目标域微调、域随机化，或与传统方法级联 |
配准质量直接决定融合图像的可信度。一个可复现的配准工程应记录：输入图像方向与体素间距、变换模型与自由度、相似性度量与优化器参数、正则化权重、多分辨率层数、最终 TRE/Dice 与雅可比统计。只有把这些参数与评估结果一并留存，才能在出现失败案例时快速定位是数据、模型还是参数问题。