这个新方法说得天花乱坠，效果到底怎么样？让我们看看在实际测试中的表现。研究团队在两个公开数据集上进行了全面测试：一个是LiTS17肝脏CT扫描数据集，包含201例CT扫描；另一个是BraTS20脑部MRI扫描数据集，包含369例MRI扫描。测试集则包括10例带有转移性肿瘤的肝脏CT扫描和10例带有转移性肿瘤的脑部MRI扫描，每例都包含了同一患者治疗前后的图像。 为了确保评估的公正性，研究团队引入了一个新的评价指标——平方肿瘤大小比率（STSR）。这个指标专门用来衡量配准过程中肿瘤体积的保留程度。STSR值越接近1，说明肿瘤体积保留得越好；反之，数值越大，说明肿瘤体积变形越严重。 测试结果令人振奋。在传统方法中，STSR值通常在1.5到2.3之间，表明肿瘤体积会发生很大变化。而使用新的体积保留策略后，这个值显著下降到1.2到1.4之间。这意味着肿瘤的体积变化减少了一半以上，大大提高了配准结果在临床评估中的可靠性。 更令人惊喜的是，这种体积保留并没有以牺牲配准精度为代价。在传统的评价指标上，如Dice系数（衡量重叠度）和标志点距离（衡量配准精度），新方法的表现与现有最先进方法相当甚至更好。比如在LiTS17数据集上，VTN网络的Dice系数从0.912略微下降到0.908，几乎可以忽略不计；而在BraTS20数据集上，VoxelMorph的Dice系数反而从0.9701上升到0.9741。 新方法在配准场景的雅可比行列式评估中也表现出色。雅可比行列式反映了配准过程中的体积变化和平滑度，值为负表示配准过程中出现了＂折叠＂现象，这在医学应用中是不可接受的。数据显示，新方法不仅减少了肿瘤区域的体积变化，还改善了整体的配准质量。在LiTS17数据集上，使用VTN网络时，负雅可比行列式的百分比从3.545%降至2.956%；雅可比行列式的标准差从2.048降至1.124，表明配准场景更加平滑。 研究团队还进行了一系列消融实验，进一步验证了方法的有效性和鲁棒性。一个特别有趣的发现是，即使肿瘤掩码的估计不是很准确（Dice系数只有0.15左右），系统仍然能够取得良好的体积保留效果。这证明了该方法在实际应用中的稳健性，不需要非常精确的肿瘤分割就能工作得很好。 很多人可能会问：这个方法是不是只适用于特定类型的网络或特定类型的图像？答案是否定的。测试结果表明，这种策略可以应用于各种不同架构的网络，包括CNN（如VoxelMorph）、级联CNN（如VTN）、混合Transformer-CNN（如TransMorph）和多尺度网络（如LapIRN）。在所有这些网络上，新方法都取得了一致的改进。 同样，在不同类型的医学图像上，如肝脏CT和脑部MRI，新方法也展现出稳定的性能。这种广泛的适用性极大地增强了该方法在临床实践中的实用价值。 视觉上的对比更加直观。当我们并排比较原始图像、传统方法配准后的图像和新方法配准后的图像时，差异一目了然。在传统方法中，肿瘤区域明显缩小，而在新方法中，肿瘤保持了与原始图像更接近的大小。特别是在配准场景的雅可比矩阵可视化中，我们可以清楚地看到传统方法在肿瘤区域有明显的白色区域（表示大的体积变化），而新方法则显著减少了这些区域。
