4. 配准框架与优化算法

多模态医学影像配准的工程实现，核心并不在于“调用一个配准函数”，而在于把变换模型、相似度度量、插值器、优化器、多分辨率调度和收敛判据组织成一个可复现、可调参、可诊断的闭环。ITK 的配准框架正是围绕这一闭环设计的：它把配准问题抽象为“在参数空间中寻找使相似度度量最优的变换参数”，而优化器负责在参数空间中搜索，度量负责评价当前参数的好坏，插值器负责把浮动图像映射到固定图像空间后采样灰度，多分辨率策略则负责由粗到细地稳定搜索过程。

一、ITK 配准框架的组件关系

ITK 配准框架中，一次配准迭代可以理解为如下数据流：优化器给出当前变换参数 → 变换对象把参数解释为物理空间映射 → 插值器在固定图像网格上对浮动图像重采样 → 相似度度量计算当前配准误差 → 优化器根据度量值和梯度更新参数。这个链条中任何一个环节配置不当，都会表现为“配准不收敛”或“收敛到错误位置”。

工程上最常用的组合是：MattesMutualInformation 作为多模态相似度度量，LinearInterpolateImageFunction 作为插值器，RegularStepGradientDescentOptimizerv4 或 LBFGSOptimizerv4 作为优化器，VersorRigid3DTransform 或 AffineTransform 作为变换模型。多模态场景下，互信息对灰度非线性关系不敏感，但代价函数非凸、噪声大，因此优化器的步长控制和多分辨率策略尤为关键。

二、梯度下降与正则化步长

ITK 中的 RegularStepGradientDescentOptimizerv4 是最常用的梯度下降变体。它不直接使用固定学习率，而是维护一个“步长”参数，并规定：当连续两次迭代的梯度方向夹角过大（说明方向不稳定）时，将步长乘以 RelaxationFactor（常用 0.5）；当方向一致时，步长乘以 GrowthFactor（常用 1.0～1.5）。这种“方向一致则加速、方向震荡则减速”的机制，就是工程上常说的正则化步长思想。

一个典型配置如下：

optimizer = itk.RegularStepGradientDescentOptimizerv4.New()
optimizer.SetLearningRate(2.0)          # 初始步长
optimizer.SetMinimumStepLength(1e-4)    # 最小步长，低于则停止
optimizer.SetMaximumStepLength(4.0)     # 最大步长，防止跳飞
optimizer.SetRelaxationFactor(0.5)      # 方向震荡时步长衰减
optimizer.SetNumberOfIterations(200)    # 最大迭代次数
optimizer.SetGradientMagnitudeTolerance(1e-4)

这里 LearningRate 并不是传统意义上的学习率，而是初始步长。步长过大会导致代价函数在最优解附近来回震荡甚至发散；步长过小则迭代次数不足、收敛缓慢。工程经验是：先用较大初始步长快速接近最优区域，再依靠 RelaxationFactor 自动衰减到 MinimumStepLength 以下停止。

三、L-BFGS 优化器

当变换参数维度较高（如仿射 12 参数、B 样条自由形变数百参数）时，普通梯度下降收敛慢。ITK 提供 LBFGSOptimizerv4，它利用最近若干次迭代的梯度差和参数差近似 Hessian 逆矩阵，从而获得类似牛顿法的收敛速度，同时避免显式存储和求逆 Hessian。L-BFGS 对代价函数的光滑性要求较高，因此更适合与 MeanSquares、NormalizedCorrelation 等连续可导度量配合；若使用互信息，建议先做多分辨率粗配准，再用 L-BFGS 精修。

L-BFGS 的关键参数包括：SetMaximumNumberOfFunctionEvaluations（函数评估上限，常用 200～500）、SetGradientConvergenceTolerance（梯度收敛容差，常用 1e-4）、SetLineSearchAccuracy（线搜索精度，常用 0.9）。与梯度下降相比，L-BFGS 通常能在更少迭代内达到更低代价，但对初始位置更敏感，因此多分辨率策略几乎是必备前置。

四、多分辨率策略

多分辨率配准的基本做法是：对固定图像和浮动图像分别构建高斯金字塔，从最粗层开始配准，把粗层得到的变换参数作为下一层的初始值，逐层细化。粗层图像尺寸小、平滑强，代价函数更平滑、局部极值更少，能有效避免陷入错误吸引域；细层则负责提高配准精度。

ITK 中通过 MultiResolutionRegistration 或手动构建 RecursiveMultiResolutionPyramidImageFilter 实现。典型设置为 3 层，每层收缩因子为 4、2、1，每层迭代次数为 100、80、50。需要注意：粗层配准结果必须通过 SetInitialTransform 或 SetMovingInitialTransform 正确传递到下一层，否则多分辨率退化为多次独立配准。

五、收敛判据与工程诊断

收敛判据决定“什么时候停止”。ITK 优化器通常同时监控多个条件：代价函数相对变化小于阈值、梯度范数小于阈值、步长小于最小步长、达到最大迭代次数。工程上建议至少同时设置“最大迭代次数”和“最小步长”两个硬性上限，避免优化器在平坦区域无限迭代。

判断配准是否真正成功，不能只看优化器是否停止，还要检查：最终变换参数是否在合理物理范围内（如旋转角不超过 ±30°、平移不超过图像尺寸的 1/3）、最终相似度值是否显著优于初始值、以及用最终变换重采样后的图像与固定图像叠加是否对齐。若优化器很快停止但相似度改善很小，往往是初始位置太差或度量选择不当；若代价函数持续震荡，则应减小初始步长或增大 RelaxationFactor 的衰减力度。