北京师范大学认知神经科学与学习国家重点实验室李淑宇教授团队及其合作者于2025年5月10日在Medical Image Analysis发表了题为“Nested hierarchical group-wise registration with a graph-based subgrouping strategy for efficient template construction”的研究论文[1]。该论文基于持续同调的人群子组划分策略，提出了一种嵌套的层级化群配准算法，解决了面向个体差异较大的人群难以实现精确对齐的问题，攻克了传统方法计算成本高、对群组图像容纳量有限的难题，并可同时构建年龄相关的子组人群特异性脑模板，为研究大脑发育、老化及异常模式提供了重要基础工具。
大脑群体影像分析需要将所有个体图像配准到统一的参照空间，以实现不同个体间大脑结构形态的对比。然而，不同年龄、疾病等因素导致个体间解剖差异较大，并且随着群组图像规模增大，现有群配准技术面临着以下挑战：（1）难以适应个体间较大的解剖结构差异；（2）对群组图像的容纳量有限；（3）计算成本显著增加（耗时长）。
针对以上问题，李淑宇教授团队及其合作者创新性地提出了一种“分而治之” 的群配准策略，具体而言：（1）基于持续同调的思想，利用图像特征相似性进行单纯形过滤，将解剖结构差异大的图像分成多尺度子组，有效降低了配准难度；（2）基于多尺度子组，提出了嵌套的层级化群配准算法（NHGR），在图像对、图像子组和整体群组三个依次嵌套的层级上逐步进行群配准，从而提升模型在局部子组-全局图像群的自适应能力和对群组图像的容纳量；（3）基于团队先前提出的自适应多分辨率成对图像配准模型[2]实现子组内-子组间渐进式配准，逐步构建出清晰、无偏且与年龄特征高度吻合的系列中间模板，并在此基础上，实现较大年龄跨度人群图像的群配准，同时构建出全局脑模板。具体方法框架见图1。
图1 NHGR框架图。(a)年龄相关的特征提取模块，(b)多尺度渐进式分组模块，(c)嵌套的层级化群配准模块。
本研究提出的层级化群配准模型，已经在两个公开的数据集OASIS（18-96岁的成人数据集）和HCP-D（5-21岁的青少年数据集）上得到了有效性验证。
实验结果表明：
配准精度提升：该模型在HCP-D测试集的配准精度（Dice）达0.791，较主流方法ANTs/VXM提升4%-8%（表1）；
群配准速度显著加快：300例样本配准仅需1.26小时，较传统方法（如ANTs）加速45倍（表2），且支持GPU并行扩展；
构建的模板质量更优：NHGR产生的模板具有更强的中心性（表2中的MeanDisp和AvgDisp），同时模板能够保持更加清晰的解剖细节（图2）；
模型具有较强的自适应能力：在18-96岁的大年龄跨度群体中仍保持稳健性能，能为不同年龄段生成清晰的中心模板，并能清晰捕捉如“脑室随年龄扩张”等关键变化（图3）。
表1 不同的群配准算法在OASIS和HCP-D数据集上的定量配准结果和模板中心性比较
表2 消融实验结果：不采用分组策略（记为No）、按实际年龄简单分组（记为Age）、按年龄相关特征分组（记为Feature）三种不同方法得到的定量结果比较
图2 不同方法在HCP-D数据集上所构建的模板图像可视化比较
图3 NHGR的最后三个层级在OASIS数据集上产生的子组模板实例图
综上，本文提出的嵌套层级化群配准模型，实现了高异质性图像群的快速配准，并同时构建出局部子组对应的年龄相关的模板图像和全局模板图像。该模型的配准精度、计算效率和产生模板的中心性已在两个公开的数据集OASIS和HCP-D上得到了有效验证。
该论文第一作者为课题组车统统博士; 通讯作者为李淑宇教授和澳大利亚悉尼大学的王秀英教授；论文合作者包括悉尼大学在读博士生张琳、课题组毕业生曾德斌博士和赵艳博士、课题组在读博士生张纪昌和硕士生白皓莹。本研究获得了科技创新2030-“脑科学与类脑研究”重大项目、国家自然科学基金和2024年度博士后创新人才支持计划等项目的资助。
参考文献：
[1] Che T, Zhang L, Zeng D, et al. Nested hierarchical group-wise registration with a graph-based subgrouping strategy for efficient template construction[J]. Medical Image Analysis, 2025: 103624.
[2] Che T, Wang X, Zhao K, et al. AMNet: Adaptive multi-level network for deformable registration of 3D brain MR images[J]. Medical Image Analysis, 2023, 85: 102740.
