基于粗配准与细配准策略的多模态视网膜图像融合方法及其在中心性浆液性脉络膜视网膜病变术前规划中的应用研究

《Scientific Reports》:A coarse-to-fine registration method for multimodal retinal images

【字体: 大 中 小 】 时间:2025年12月09日 来源:Scientific Reports 3.9

编辑推荐:

  本研究针对中心性浆液性脉络膜视网膜病变(CSCR)术前多模态视网膜图像配准难题,提出了一种由粗到精的配准方法。通过YOLOv8-pose网络实现关键点检测与匹配的融合处理,结合解耦学习消除模态差异,最终利用可变形网络生成优化形变场。实验表明,该方法在CSCR临床数据集上Dice系数达0.6759,Dices系数为0.4977,为临床精准治疗提供了可靠技术支撑。

  
在眼科疾病诊疗领域,中心性浆液性脉络膜视网膜病变(CSCR)作为常见眼底疾病,好发于20-50岁中青年男性群体。目前临床主要采用激光手术治疗,而术前精准定位依赖于多模态视网膜图像的准确配准。然而,传统人工配准方式存在劳动强度大、可重复性差等局限,且现有刚性配准与非刚性配准方法各自存在明显短板:刚性配准虽能处理大差异图像但对局部细节对齐不足,非刚性配准擅长局部细化却难以应对显著差异情况。这种技术瓶颈严重制约了临床手术精准度的提升。
针对这一难题,南京航空航天大学联合南京医科大学附属眼科医院的研究团队在《Scientific Reports》发表最新研究,创新性地提出了一种由粗到精的多模态视网膜图像配准方法。该方法巧妙融合了刚性配准的全局对齐优势和非刚性配准的局部细化能力,通过两个阶段的协同配合实现精准配准。
关键技术方法主要包括:基于YOLOv8-pose网络的关键点检测匹配技术、结合灰度转换和B-COSFIRE滤波的关键点优化方法、利用解耦学习(disentanglement learning)的模态特征分离技术,以及引入拉普拉斯惩罚损失(Laplacian penalty loss)的可变形配准网络。研究使用来自南京医科大学附属眼科医院的306对CSCR患者彩色眼底图像(CF)和眼底荧光血管造影(FFA)图像构建数据集,通过定量指标Dice系数和Dices系数评估配准精度。
粗配准阶段性能验证
研究团队设计的三步粗配准策略在CSCR数据集上表现出色。与传统方法B-COSFIRE+SIFT和SURF-PIIFD-RPM相比,本文方法在Dice系数上分别提升0.1115和0.0722,达到0.5023。视觉对比显示,该方法的关键点分布更均匀,匹配更准确,为后续细配准奠定了良好基础。
细配准阶段消融研究
拉普拉斯惩罚损失的引入显著改善了形变场质量,使|JF|≤0的百分比从1.2345%降至0.0209%。粗配准阶段的必要性得到验证,直接进行细配准的Dice系数仅为0.4580,而经过粗配准预处理后提升至0.6759,证实了分级策略的有效性。
整体性能对比分析
与Phase+MIND和RetinalSegReg等先进方法相比,本文提出的由粗到精配准方法在Dice系数上达到0.6759,具有竞争优势。同时,形变场折叠现象得到有效控制,保证了配准结果的解剖合理性。
研究结论表明,这种由粗到精的配准框架成功解决了多模态视网膜图像在大差异条件下的对齐难题。通过YOLOv8-pose网络统一关键点处理流程,结合解耦学习消除模态特异性,最终利用可变形网络实现局部精细化调整,为CSCR术前规划提供了可靠的技术方案。尽管当前方法在血管连续性保持和端到端训练方面仍需完善,但其在临床中的应用潜力已得到初步验证,为眼科医学图像分析领域提供了新思路。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号