Метод регистрации мультифазных КТ-изображений с адаптивной весовой функцией

В статье предложен усовершенствованный метод регистрации мультифазных КТ-исследований печени, основанный на модифицированной формуле смещения, объединяющей глобальную аффинную трансформацию, локальную B-spline деформационную модель, адаптивную коррекцию на основе градиента интенсивности и шумовую компоненту для повышения робастности. Ключевым элементом является весовая функция E(x), учитывающая локальные различия в плотности тканей, она ограничивает деформации в плотных структурах и усиливает их в мягких тканях и патологиях. Алгоритм реализован в два последовательных этапа – сначала аффинная, затем B-spline регистрация – с использованием расширенной маски печени и отложенной обрезки изображений, что значительно улучшает сходимость и точность. Эксперименты на наборе из реальных клинических случаев показали превосходство предложенного подхода над стандартными методами. Особенно значимый прирост достигнут для малых патологий (1–1000 вокселей), средний коэффициент DICE вырос с 0,5737 (аффинная регистрация) до 0,6277. Метод демонстрирует высокую устойчивость к артефактам, вызванным дыханием пациента, шумом и неоднородностью контрастирования, а также обеспечивает точное совмещение на границах объектов. Результаты подтверждают клиническую применимость подхода для диагностики, анализа динамики заболеваний печени и планирования лечения.

1. Zitová B., Flusser J. Image Registration Methods: A Survey. Image and Vision Computing. 2003;21(11):977–1000. https://doi.org/10.1016/S0262-8856(03)00137-9

2. Rueckert D., Sonoda L.I., Hayes C., Hill D.L.G., Leach M.O., Hawkes D.J. Nonrigid Registration Using Free-Form Deformations: Application to Breast MR Images. IEEE Transactions on Medical Imaging. 1999;18(8):712–721. https://doi.org/10.1109/42.796284

3. Avants B.B., Epstein C.L., Grossman M., Gee J.C. Symmetric Diffeomorphic Image Registration with Cross-Correlation: Evaluating Automated Labeling of Elderly and Neurodegenerative Brain. Medical Image Analysis. 2008;12(1):26–41. https://doi.org/10.1016/j.media.2007.06.004

4. Vercauteren T., Pennec X., Perchant A., Ayache N. Symmetric Log-Domain Diffeomorphic Registration: A Demons-Based Approach. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2008: 11th International Conference: Proceedings, Part I, 06–10 September 2008, New York, USA. Berlin, Heidelberg: Springer; 2008. P. 754–761. https://doi.org/10.1007/978-3-540-85988-8_90

5. Fischer B., Modersitzki J. Fast Diffusion Registration. AMS Contemporary Mathematics, Inverse Problems, Image Analysis, and Medical Imaging. 2002;313:117–127. https://doi.org/10.1090/conm/313/05372

6. Balakrishnan G., Zhao A., Sabuncu M.R., Guttag J., Dalca A.V. VoxelMorph: A Learning Framework for Deformable Medical Image Registration. IEEE Transactions on Medical Imaging. 2019;38(8):1788–1800. https://doi.org/10.1109/TMI.2019.2897538

7. Hatamizadeh A., Tang Yu., Nath V., et al. UNETR: Transformers for 3D Medical Image Segmentation. In: 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 03–08 January 2022, Waikoloa, HI, USA. IEEE; 2022. P. 1748–1758. https://doi.org/10.1109/WACV51458.2022.00181

8. Guo Zh., Li X., Huang H., Guo N., Li Q. Medical Image Segmentation Based on Multi-Modal Convolutional Neural Network: Study on Image Fusion Schemes. In: 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), 04–07 April 2018, Washington, DC, USA. IEEE; 2018. P. 903–907. https://doi.org/10.1109/ISBI.2018.8363717

9. Куликов А.А., Каширина И.Л., Савкина Е.Ф. Сегментация объемных образований печени на мультифазных КТ-изображениях с использованием фреймворка nnU-Net. Моделирование, оптимизация и информационные технологии. 2025;13(1). https://doi.org/10.26102/2310-6018/2025.48.1.040

10. Salehi S.S.M., Erdogmus D., Gholipour A. Tversky Loss Function for Image Segmentation Using 3D Fully Convolutional Deep Networks. In: Machine Learning in Medical Imaging: 8th International Workshop – MLMI 2017, Held in Conjunction with MICCAI 2017, 10 September 2017, Quebec City, QC, Canada. Cham: Springer; 2017. P. 379–387. https://doi.org/10.1007/978-3-319-67389-9_44

11. Khoong W.H. BUSU-Net: An Ensemble U-Net Framework for Medical Image Segmentation. arXiv. URL: https://arxiv.org/abs/2003.01581 [Accessed 10th September 2025].