摘要

图像配准是医学图像分析中的基础任务。理想情况下，配准应聚焦于对齐语义上对应的体素，即相同的解剖位置。然而，现有方法通常基于图像强度或人工设计特征直接计算相似性度量，这些度量缺乏解剖学语义信息，在存在大形变、复杂解剖差异或跨模态图像的情况下，容易导致次优解。本文提出一种快速且精确的无监督3D医学图像配准方法——基于自监督解剖嵌入（Self-supervised Anatomical eMbedding, SAM）算法，该算法能够在体素级别上计算两幅图像之间的密集解剖对应关系。我们将其命名为SAM增强型配准方法（SAM-Enhanced registration, SAME++），该方法将图像配准分解为四个步骤：仿射变换、粗略形变、深度非参数形变以及实例优化。通过引入SAM嵌入，我们在各步骤中实现了更一致的对应关系建模，并提供了更具语义指导意义的特征表示。我们在三个具有挑战性的跨受试者配准任务上对SAME++进行了广泛评估，涵盖不同身体部位，并使用超过50个标注器官进行测试。作为一套完整的配准框架，SAME++在Dice评分上显著优于当前主流方法，提升幅度达4.2%–8.2%，同时相较于基于数值优化的方法，运行速度提升数个数量级。代码已开源，地址为：\url{https://github.com/alibaba-damo-academy/same}。