全身PET/CT配准不再靠像素强度：anatomix体素表征让肿瘤体积误差降到1.78%
核心概要
全身PET/CT纵向配准此前主要依赖原始像素强度或稀疏的分割标签建立对应关系，前者对跨模态外观变化不稳健，后者只能给出粗粒度身份。该工作改用anatomix三维基础模型提取的逐体素语义表征，叠加手工MIND-SSC描述子和分割标签，驱动FireANTs求解器分两阶段优化形变，并加入病灶体积保持约束。在2026 Learn2Reg PSMAReg挑战赛测试集上，该系统未在挑战训练集上训练即排名第一，MTV误差1.78%、TLG误差1.39%。
深度剖析
全身PET/CT配准的对应关系改由基础模型提取的逐体素语义表征来建立，而不是只比较原始图像强度。 此前的配准路线要么依赖原始像素强度作为相似性代理，要么依赖辅助分割标签，而标签只能给细粒度解剖结构分配粗粒度身份，且往往只覆盖部分结构。 在2026 Learn2Reg PSMAReg挑战赛测试集排行榜上，该系统由挑战组织方报告排名第一，CT Dice为0.830、PET Dice为0.610，MTV误差1.78%、TLG误差1.39%。
系统把学习特征、手工描述子和分割标签拼成多通道输入，交给GPU加速的迭代求解器分两阶段估计形变。 第一阶段用CT、PET与anatomix、MIND-SSC特征堆叠的多通道体做贪心可变形配准，先消除大形变；第二阶段再用分割损失细化器官与病灶对齐。 在50名留出训练受试者的65对真值数据上，仅用调参后的FireANTs时CT Dice为0.686，加入anatomix与MIND-SSC特征后升至0.775，MTV误差从15.56%降到6.31%。
配准过程被约束为不额外改变病灶体积，以保护PET定量生物标志物。 肿瘤负荷在随访与基线之间可能真实变化，但形变本身不应再引入体积改变，否则MTV与TLG会被污染。 在留出训练对上，加入体积惩罚与体积投影后MTV误差从6.31%依次降到4.95%和3.41%，TLG误差从6.93%降到5.36%和4.14%，CT Dice基本持平。
启示与展望
演示范围是2026 Learn2Reg PSMAReg挑战赛的纵向全身PSMA PET/CT对，图像被组织方降采样到192×192×288、分辨率2.73×4.42×3.27毫米，训练集含202对图像；所有预训练模型未在该数据集上训练或微调，仅用于超参数优化。
单一微分同胚模型同时承担全身多种运动模式，对四肢等铰接运动约束不足，又因要求拓扑对应而在手臂位置跨时间点变化时过度约束；作者提出未来可用骨骼专用的多刚体模型拟合肢体关节运动。