CVPR 2025 | 拒绝“一视同仁”！SACB-Net 引入空间感知卷积，在大变形医学图像配准中刷新 SOTA

alfred_torres

1037人浏览 · 2026-01-06 16:09:25

alfred_torres · 2026-01-06 16:09:25 发布

CVPR 2025 | 拒绝“一视同仁”！SACB-Net 引入空间感知卷积，在大变形医学图像配准中刷新 SOTA

论文题目：SACB-Net: Spatial-awareness Convolutions for Medical Image Registration
发表出处：CVPR 2025
作者机构：Xinxing Cheng, Jinming Duan 等 (University of Birmingham, UK; University of Manchester, UK)
关键词：Medical Image Registration, Spatial-Awareness Convolution, Adaptive Kernels, Deep Learning

1. 🚀 省流版摘要 (TL;DR)

传统的卷积神经网络（CNN）在处理医学图像配准时，通常在全图使用共享的卷积核，这导致模型难以捕捉不同解剖区域（如骨骼与软组织）的差异化变形特征。本文提出了一种3D空间感知卷积模块（SACB），通过无监督聚类动态生成适应不同空间区域的卷积核。基于此，作者构建了 SACB-Net，一种金字塔流估计网络。实验表明，该方法在脑部 MRI（IXI, LPBA）和腹部 CT 数据集上均超越了包括 TransMorph 和 VoxelMorph 在内的 SOTA 方法，特别是在**大变形（Large Deformation）**场景下表现惊人（腹部 CT Dice 提升显著）。

2. 🧐 背景与痛点 (Motivation)

现有问题

医学图像配准（Deformable Image Registration）旨在通过预测一个非线性的变形场（Deformation Field），将浮动图像（Moving Image）对齐到固定图像（Fixed Image）。这在手术导航、肿瘤监测等任务中至关重要。

传统方法的局限

目前的深度学习配准方法（如经典的 VoxelMorph 或基于 Transformer 的 TransMorph）虽然速度快且效果不错，但它们存在一个共同的痛点：“一视同仁”的卷积操作。

空间共享权重：标准卷积在特征图的所有位置使用相同的卷积核权重。
忽略解剖差异：然而，医学图像中的变形通常与组织结构紧密相关（例如，软组织的变形程度通常大于骨骼）。如果不区分空间位置，统一处理所有区域，会导致对非局部区域特征的捕捉能力不足，从而生成次优的变形场。

本文的切入点

作者认为，不同的解剖区域应该被赋予不同的“关注度”和处理方式。既然变形与组织形状有关，为什么不让卷积核根据图像内容“自适应”地变化呢？于是，本文引入了**空间感知（Spatial-Awareness）**机制，通过聚类算法自动识别图像中的不同区域，并为每个区域量身定制卷积核。

3. 💡 核心方法 (Methodology)

3.1 整体架构 (Overall Architecture)

[插图占位：论文 Figure 2 - SACB-Net 的 5 级金字塔整体架构图]

SACB-Net 采用了一个经典的金字塔（Pyramid）结构，主要包含两个部分：

共享编码器（Shared Encoder）：用于提取浮动图像和固定图像的多尺度特征。
金字塔流估计器（Pyramid Flow Estimator）：这是核心所在。它从粗粒度到细粒度（Coarse-to-Fine）逐级估计变形场。每一级的估计器都集成了本文提出的 SACB 模块和相似度匹配模块。

3.2 关键模块详解 (Key Modules)

🌟 3D 空间感知卷积块 (SACB)

这是本文的灵魂模块，旨在让卷积核“因地制宜”。它主要包含两个步骤：

[插图占位：论文 Figure 3 - SACB 模块的详细流程图]

空间上下文估计 (Spatial Context Estimation)：
- 原理：如何知道哪些像素属于同一类组织？作者使用了无监督的 K-Means 聚类。
- 操作：首先将特征图展开（Unfold）成局部块，计算空间均值，然后利用 K-Means 将特征体素聚类成 $N$ 个簇（Cluster）。每个簇代表一种特定的强度或结构模式（例如某个特定的解剖区域）。
- 输出：得到聚类索引图（Cluster Index）和每个簇的中心特征（Centroids）。
自适应核生成器 (Adaptive Kernel Generator)：
- 原理：根据聚类得到的中心特征，动态生成卷积核。
- 操作：利用多层感知机（MLP），将每个簇的中心特征映射为特定的权重（Weights）和偏置（Bias）。
- 效果：这样，属于不同簇（即不同解剖区域）的特征，就会被不同的卷积核处理。这相当于给网络装上了“多焦段镜头”，能针对不同组织进行精细化特征提取。

🔗 金字塔流估计与相似度匹配

在每一层金字塔中，经过 SACB 增强的特征被送入相似度匹配模块（Similarity Matching Module）。

不同于直接回归变形场，作者计算固定图像特征与浮动图像特征之间的局部相关性（Cost Volume 思想），通过 Softmax 计算匹配分数，进而估计出子变形流。
这种方法能更好地处理大变形，并且通过金字塔结构逐级细化。

4. 📊 实验与结果 (Experiments)

数据集

IXI Dataset (Brain MRI): 用于 Atlas-based 配准。
LPBA Dataset (Brain MRI): 用于受试者间（Inter-subject）配准，包含 54 个 ROI。
Abdomen CT (腹部 CT): 用于受试者间配准，这是最具挑战性的任务，因为腹部器官变形极大且差异显著。

对比实验

作者将 SACB-Net 与 SyN, VoxelMorph, TransMorph, LKU, LapIRN, Fourier-Net 等主流方法进行了对比。

[插图占位：论文 Table 1 & Table 2 - 各数据集上的定量指标对比表]

脑部配准 (IXI & LPBA)：SACB-Net 在 Dice 分数、HD95 和 ASSD 指标上均取得了最佳成绩。相比于参数量巨大的 Transformer 方法（TransMorph），SACB-Net 参数量极少（仅 1.11M），但效果更好。
腹部大变形配准 (Abdomen CT)：这是本文的高光时刻！
- 在腹部 CT 这种大变形场景下，传统 U-Net 类方法表现不佳。
- SACB-Net 的 Dice 分数达到了 0.588，比第二名 ModeT 高出 3.8%，比 TransMorph 高出惊人的 14.4%。
- 这证明了空间感知卷积在处理复杂、非均匀变形时的强大能力。

可视化展示

[插图占位：论文 Figure 4 - 脑部和腹部配准的可视化对比图]

从可视化结果看，SACB-Net 生成的变形场纹理更加合理。特别是在腹部肾脏区域的配准中，TransMorph 等方法出现了明显的配准失败（Mask 缺失），而 SACB-Net 依然能保持较好的重叠度。

5. 🧠 笔者思考与总结 (Conclusion & Thoughts)

✅ 优点总结

直击本质：医学图像配准的核心难点就是组织的非刚性变形差异。本文放弃了复杂的 Transformer 堆叠，回归卷积本身，通过“动态卷积核”巧妙解决了空间异质性问题。
无监督聚类：利用 K-Means 在特征空间进行聚类是一个亮点，它不需要额外的解剖标签（Label-free），却能隐式地学到解剖结构信息。
大变形杀手：在腹部 CT 上的碾压式表现，说明该方法在处理剧烈形变时具有极高的鲁棒性。