MambaMorph：基于 Mamba 的医学 MR-CT 可变形配准框架
摘要
跨模态（如MR-CT、T1-T2）体素级空间对应在医学图像分析中至关重要。然而，现有配准方法在精度和临床适用性方面仍存在不足。本文提出MambaMorph，一种新型多模态变形配准框架，包含基于Mamba的注册模块和细粒度特征提取器，并构建首个脑MR-CT配准数据集SR-Reg。实验表明，MambaMorph在SR-Reg和公开IXI数据集上显著优于现有SOTA方法，Dice系数最高提升近6%，推理速度达0.27秒/对，验证了其在临床应用中的潜力。
关键词：多模态配准·Mamba·特征学习
1 引言
1.1 研究背景
变形图像配准通过补偿非刚性形变（如手术创伤和成像差异）实现精准空间对齐。例如，术前MR与术中CT间可能存在高达10mm的形变[20]，仅靠仿射配准无法校正。尽管传统方法（如[1,7]）能计算可微位移场并达到较高精度，但其计算成本高、难以实时应用。基于学习的方法（如VoxelMorph[2]）虽效率提升，但存在以下挑战：
- 多模态差异：MR与CT的强度分布显著不同，现有方法难以有效表征跨模态特征；
- 数据稀缺：标注良好的多模态配准数据集不足；
- 计算效率：Transformer等长程建模方法面临二次复杂度问题，难以处理大尺寸体素序列。
1.2 现有方法局限性
- 传统方法（如LKU-Net[16]、TransMorph[4]）：通过UNet-like模块或Swin Transformer捕捉长程相关性，但计算开销大；
- 合成数据方法（如SynthMorph[13]）：因合成数据质量差导致模型收敛缓慢；
- 预训练策略（如ContraReg[5]、SAME[19]）：依赖预训练编码器提升特征表示，但对新模态适应能力有限；
- 跨模态注意力机制（如[22]）：虽直接提取跨模态特征，但二次复杂度限制其应用。
1.3 本文贡献
- 提出Mamba注册模块：基于Mamba序列建模技术（线性复杂度），替代Transformer实现高效长程空间关系建模；
- 设计细粒度特征提取器：采用轻量级UNet提取像素级特征，支持多模态细粒度对齐；
- 构建SR-Reg数据集：包含180对高精度脑MR-CT配准样本及对应分割标签；
- 验证框架优势：在SR-Reg和IXI数据集上，MambaMorph在Dice系数和推理速度上均超越SOTA方法。
2 方法
2.1 整体框架
2.2 Mamba注册模块
- 混合分支架构：水平分支处理完整体积，UNet-like分支通过分割、位置嵌入和Mamba块级联实现序列特征学习。
2.3 细粒度特征提取器
设计轻量级2层UNet（通道数固定为16），仅包含单个下采样步骤以保留局部信息，与注册模块共享权重。
3 实验
3.1 数据集与评估指标
- SR-Reg数据集：180对脑MR-CT配准样本（分辨率1mm³），经SynthSeg[3]分割、SynthStrip[15]去颅骨、强度归一化处理；
- IXI数据集：公开T1-T2脑图像数据（427/50/100用于训练/验证/测试）；
- 评估指标：Dice系数、95% Hausdorff距离（HD95）、雅可比行列式非正比例（P|J|≤0）、推理时间、内存占用。
3.2 定量结果
表1显示MambaMorph在SR-Reg和IXI数据集上的优势：
| 方法 | SR-Reg(Dice↑) | SR-Reg(HD95↓) | IXI(Dice↑) | IXI(HD95↓) |
|---|---|---|---|---|
| MambaMorph | 82.71±1.45 | 2.00±0.22 | 87.52±1.51 | 1.53±0.24 |
| XMorpher[21] | 76.84±2.54 | 2.44±0.31 | 80.45±2.16 | 2.14±0.32 |
3.3 消融研究
表2验证各组件的贡献：
| 方法 | 特征提取器 | Dice(%) | 时间(s) | 内存(Gb) | 参数量 |
|---|---|---|---|---|---|
| MambaMorph | √ | 82.71 | 0.27 | 7.60 | 7.59 |
| MambaMorphreg | X | 78.98 | 0.16 | 5.41 | 7.31 |
4 结论
本文提出MambaMorph框架，首次将Mamba集成至医学图像配准领域。实验表明：
- Mamba模块在长程相关性建模上优于Transformer，显著提升配准精度；
- 细粒度特征提取器有效捕捉跨模态局部特征；
- SR-Reg数据集为多模态配准提供了高质量基准。
未来研究将探索Mamba与特征学习的深度融合，并推动其在临床场景中的应用。
图表位置标记
- 图1：MambaMorph框架示意图
- 表1：SR-Reg与IXI数据集定量对比
- 表2：消融研究结果
- 图2：SR-Reg测试案例的配准结果可视化
- 联系QQandweichat
 |  |
References
1. 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
12
(1), 26–41 (2008).
https:
//doi.org/10.1016/j.media.2007.06.004
2. 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
38
(8), 1788–1800 (2019).
https://doi.org/10.1109/TMI.2019.
2897538
3. Billot, B., Greve, D.N., Puonti, O., Thielscher, A., Van Leemput, K., Fischl, B.,
et al.: Synthseg: Segmentation of brain mri scans of any contrast and resolution
without retraining. Medical image analysis
86
, 102789 (2023).
https://doi.org/10.
1016/j.media.2023.102789
4. Chen, J., Frey, E.C., He, Y., Segars, W.P., Li, Y., Du, Y.: Transmorph: Transformer
for unsupervised medical image registration. Medical image analysis
82
, 102615
(2022).
https://doi.org/10.1016/j.media.2022.102615
5. Dey, N., Schlemper, J., Salehi, S.S.M., Zhou, B., Gerig, G., Sofka, M.: Con
trareg: Contrastive learning of multi-modality unsupervised deformable image
registration. In: International Conference on Medical Image Computing and
Computer-Assisted Intervention. pp. 66–77. Springer (2022).
https://doi.org/10.
1007/978-3-031-16446-0_7
6. Dou, H., Bi, N., Han, L., Huang, Y., Mann, R., Yang, X., et al.: Gsmorph:
Gradient surgery for cine-mri cardiac deformable registration. arXiv preprint
arXiv:2306.14687 (2023),
https://arxiv.org/abs/2306.14687