Трехуровневая модель повышает точность совмещения МРТ-снимков мозга
Совмещение медицинских изображений — ключевой этап анализа МРТ. Оно позволяет сопоставлять анатомические структуры на снимках разных пациентов или одного человека, сделанных в разное время. Такой подход используют, например, при отслеживании изменений мозга и переносе анатомических разметок между исследованиями. Основная сложность заключается в необходимости одновременно учитывать крупные различия формы и небольшие локальные смещения, не допуская неестественных деформаций изображения.
Исследователи Высшей школы управления кибер-физическими системами СПбПУ Роман Давыдов и Даниил Пасенко разработали CTCF — трехуровневую модель для автоматического деформируемого совмещения трехмерных МРТ-снимков. В отличие от методов, которые пытаются решить задачу за один шаг, предложенная архитектура последовательно уточняет результат. Первый уровень оценивает крупное смещение на уменьшенном изображении. Второй выполняет основное совмещение с помощью трансформера и механизма деформируемого внимания. Третий уровень анализирует, где после первичного совмещения сохраняются ошибки, и корректирует поле деформации.
Модель обучали без использования готовых контуров анатомических структур. Для этого авторы применили составную функцию потерь, которая учитывает сходство изображений, плавность деформации, согласованность прямого и обратного преобразований и сохранение топологии. Последний компонент особенно важен: он снижает вероятность «складывания» поля деформации, при котором соседние области изображения могут неестественно пересекаться.
Метод проверили на двух открытых наборах данных с МРТ головного мозга — OASIS и IXI. Эффективность оценивали по степени совпадения анатомических областей после совмещения, точности совмещения границ структур и показателям регулярности деформационного поля. CTCF сравнивали с двумя современными трансформерными методами.
Авторы продемонстрировали, что на обоих наборах данных предложенный метод превзошел сравниваемые подходы по точности совмещения анатомических структур. Статистический анализ подтвердил значимость различий. При этом модель сохранила плавность деформационного поля на уровне лучших из сравниваемых методов.
Важным результатом стало соотношение точности и размера модели. Внешние уровни добавляют лишь небольшую долю параметров, но обеспечивают заметный прирост качества. Абляционный анализ показал, что основную прибавку точности обеспечивает третий уровень, который использует карту локальных ошибок совмещения. Первый уровень дает небольшой эффект сам по себе, но усиливает работу последующего уточнения.
В работе сделан вывод о том, что явное разделение совмещения на грубую оценку, основное преобразование и коррекцию локальных ошибок может повысить точность без пропорционального увеличения размера модели. Авторы отмечают, что пока метод проверен только на МРТ головного мозга и его применение к другим органам, модальностям изображений и клиническим сценариям требует отдельного исследования.
Оригинал статьи: CTCF: A Three-Level Coarse-to-Fine Cascade for Unsupervised Deformable Medical Image Registration. Machine Learning and Knowledge Extraction, 2026, Vol. 8, No. 5, Article 122.
(2).png)
.png)