医学图像配准在放射治疗计划、手术导航及多模态影像融合中发挥着关键作用。然而，无监督多模态配准方法常常受到灰度分布差异、解剖结构异质性和生理运动变异 的影响，导致配准精度不足。

近日，中国科学院深圳先进技术研究院医工所秦文健研究员团队针对无监督配准算法在复杂多模态场景中面临的挑战，创新性提出了一种新的多模态相似性评估器（SynMSE），有效解决了配准过程中的分布差异难题。该成果以"SynMSE: A multimodal similarity evaluator for complex distribution discrepancy in unsupervised deformable multimodal medical image registration"为题，发表在医学图像分析领域知名期刊 Medical Image Analysis上。

研究团队提出了一种全新的解耦空间与分布信息的无监督配准框架。具体而言，团队设计了一个基于 Structure-Constrained CycleGAN 的生成器，用于模拟模态间的灰度差异并保持解剖拓扑一致性；同时，通过随机变换与伪影像生成分离空间错位与分布差异，使 SynMSE 评估器能够忽略模态特有的灰度差异，聚焦于空间对齐，从而作为即插即用的相似性度量模块无缝集成于任意配准网络中。

研究结果表明，SynMSE 在L2R 2022 CT-MR腹部数据集、临床宫颈CT-MR数据集以及CuRIOUS MR-US脑数据集上均取得了最优配准性能。与传统方法相比，SynMSE显著提升了Dice系数、降低了HD95与TRE误差，实现了在复杂模态差异下的高精度解剖结构对齐。图4-图6分别为所提出方法在三个数据集上的定性结果展示，红色标注代表固定图像的目标器官区域，黄色标注代表浮动图像与配准后图像的目标器官区域。表示图中结果显示，SynMSE更好的克服了多模态图像间的复杂分布差异，不仅实现了更精确的配准效果，而且有效保持了组织边界与解剖拓扑的完整性，明显优于现有方法。

中国科学院深圳先进技术研究院秦文健研究员为通讯作者，硕士生朱静珂为第一作者。中国科学院深圳先进技术研究院谢耀钦研究员、辽宁省肿瘤医院孙德宇、崔明，香港理工大学蔡璟教授为论文的共同作者。该研究获得国自然联合重点、深圳市基础重点、国家重点研发、深港肿瘤图像智能计算分析联合实验室和中国科学院青促会等项目支持。

图1：文章上线截图，原文链接https://www.sciencedirect.com/science/article/pii/S1361841525001677?sessionid=1950329661

图2：多模态医学图像配准的复杂分布差异问题

图3：所提出方法架构图

图4：所提出方法与现有方法在L2R 2022 CT-MR腹部数据集上的定性效果

图5：所提出方法与现有方法在临床宫颈CT-MR数据集上的定性效果

图6：所提出方法与现有方法在CuRIOUS MR-US脑数据集上的定性效果（黄色箭头指向图像上的较为明显的脑沟等显著结构）