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：

1. ​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；
2. ​数据稀缺：标注良好的多模态配准数据集不足；
3. ​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

1. ​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；
2. ​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；
3. ​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；
4. ​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：

3.3 消融研究

表2验证各组件的贡献：

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：

1. Mamba模块在长程相关性建模上优于Transformer，显著提升配准精度；
2. 细粒度特征提取器有效捕捉跨模态局部特征；
3. 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