计算机应用

作者：王一铭, 李世源, 廖南清, 陈庆锋

单位：1.广西大学 计算机与电子信息学院，南宁 530004；2.广西大学 医学院，南宁 530004

关键词：医学图像配准,无监督学习,不确定性估计,证据深度学习,可信机器学习

基金：广西科技基地和人才专项(桂科AD24010011);广西研究生教育创新计划项目(YCSW2024138)

医学图像配准中的不确定性量化对医师在实际临床应用中评估风险至关重要。目前，基于深度无监督学习的医学图像配准模型虽然已经具备不错的效果，但仍缺乏在配准时估计外观不确定性的方法，这将影响配准的精度和可信度。此外，在实时性应用场景中，医学图像配准模型不但需要具备较高的配准精度，还需要快速进行推理。针对上述问题，提出一种基于证据深度学习（EDL）的不确定性感知无监督医学图像配准模型EvidentialMorph，将EDL应用于无监督医学图像配准。EDL是一种不确定性量化方法，无需额外的计算开销。首先，通过U-net架构的配准主干网络模块学习得到形变向量场（DVF）；其次，通过一种改进的空间变换器网络（STN）模块——证据STN模块学习配准图像的正态逆伽马（NIG）分布，从而直接计算出配准图像及其外观不确定性。在海马体、LPBA40和IBSR18核磁共振成像（MRI）数据集上的实验结果表明，与CLMorph模型相比，在配准精度上，EvidentialMorph的Dice相似性系数（DSC）最高提升了3.31%，归一化交叉相关（NCC）系数最高提升了2.75%；在推理时耗上，EvidentialMorph减少了85 ms。以上结果验证了EvidentialMorph能够快速得到有效的不确定性量化结果，并提升配准精度，为实时医学图像配准场景提供了不确定性量化的可能，可以改善配准效果。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期