近日，日本女优 孙建奇/李夏团队在医学图像分析领域国际期刊《Medical Image Analysis》在线发表题为“Contrastive Discrepancy: a Label-free Metric for Deformable Image Registration Supporting Testing-Time Hyperparameter Selection”的研究论文。该研究针对可变形图像配准（Deformable Image Registration，DIR）长期存在的“无真实形变场、难以可靠评价”问题，提出了一种基于偏差—方差权衡与群等变性的无标签评估指标——对比差异（Contrastive Discrepancy，CD）。该方法无需人工标注，即可评估配准模型的性能，并进一步支持面向单个病例的测试时自动超参数选择，为可变形图像配准模型的精准、个体化应用提供了新的技术路径。
可变形图像配准旨在建立不同时间、不同状态下医学图像之间的非线性空间对应关系，是放射治疗剂量累积、自适应治疗计划、自动分割、图像引导手术和纵向影像分析等任务的重要基础。随着配准模型日益复杂，模型结构与正则化强度、空间分辨率、网络宽度等超参数对最终配准效果的影响也愈发显著。不同患者的解剖形变具有明显差异，固定的超参数往往难以适用于所有病例。因此，如何在测试阶段针对单个病例自动选择合适的模型复杂度，是推动配准算法走向精准临床应用的重要问题。
然而，临床场景中通常无法获得真实的稠密形变场。现有金标准评估方法主要依赖人工标注的对应解剖标志点或器官轮廓，不仅耗时、成本高，也难以支持逐病例、自动化的测试时调参。常用的无标签替代指标同样存在局限：图像强度相似度提高并不必然意味着解剖对应更加准确，而形变场平滑、可逆或拓扑合理，也不能保证配准结果真实正确。这使得模型在测试时缺少一个可靠的“导航指标”，容易陷入欠拟合或过拟合。
针对上述挑战，研究团队提出了对比差异指标 CD。其核心思想是：对同一幅移动图像施加轻微的几何变换，得到解剖内容一致、观察形式不同的两个样本；随后分别将原始移动图像和变换后的移动图像与固定图像进行配准，并在统一参考坐标系下比较两次估计得到的形变向量场。若模型具备良好的解剖对应能力和泛化能力，两次配准结果应保持一致；反之，二者之间的差异将反映模型的误差。
从偏差—方差权衡的角度看，复杂度过低的模型具有较高偏差，难以充分描述真实的解剖形变；复杂度过高的模型则容易对非结构性扰动过度敏感，表现出较高方差。CD 同时对这两类误差进行惩罚，因此可随模型复杂度形成与金标准目标配准误差（Target Registration Error，TRE）相近的 U 形曲线，并以曲线最低点识别欠拟合与过拟合之间的最优区域。在此基础上，研究进一步将 CD 作为测试时搜索的优化目标，使配准模型能够在完全无标签的条件下针对单个病例自动选择超参数。
图1 对比差异（CD）方法整体框架。CD 比较原始移动图像与其几何变换版本分别参与配准后得到的形变向量场差异，从而在无人工标签条件下评估模型性能并指导超参数选择。
研究在 DIRLab 和 TCIA 两个公开肺部 4D CT 数据集上开展实验，覆盖三类具有不同表示方式的配准模型，并构成六组“模型—数据集”实验配置。团队从最优位置一致性、线性相关性和整体曲线形态等多个维度，将 CD 与图像强度类指标及形变场合理性指标进行了系统比较。
结果表明，CD 在六组实验配置中整体表现出稳定、优越或具有竞争力的性能，其变化曲线能够较好复现金标准 TRE 随模型复杂度变化的 U 形趋势。相比之下，部分图像强度类指标随模型复杂度单调改善，无法识别过拟合；部分形变场指标虽然能够衡量形变是否平滑或可逆，却可能将“形式合理但解剖错误”的结果误判为更优。数据集层面的实验中，CD3 在所采样的超参数范围内准确定位了 DIRLab 和 TCIA 上的最优结果，对应 TRE 分别为 1.03 mm 和 2.34 mm。
图2 不同无标签指标与金标准 TRE 的病例级一致性比较。CD 在多种模型和数据集配置下均表现出较好的稳定性与一致性。
研究进一步验证了 CD 指导测试时自动调参的能力。在五轮超参数搜索中，以 CD 为优化目标时，真实 TRE 随搜索过程持续下降，最终达到 1.02 ± 1.09 mm；而以 MAE、MI 或 ID 等指标作为优化目标时，TRE 反而逐步升高，最终结果比 CD 高出 0.67 mm 以上；SSIM 指导的搜索则基本停滞，最终 TRE 为 1.34 mm。该结果说明，CD 不仅能够被动评价模型，还可以作为可靠的优化目标，主动引导配准模型找到更准确的病例特异性参数。
图3 不同无标签指标指导五轮测试时超参数搜索时的真实 TRE 变化。在该实验中，仅 CD 指导的搜索使 TRE 持续下降。
图4 不同指标指导超参数搜索后的配准标志点误差可视化。CD 对应结果具有最低的最终 TRE 和最小的误差向量。
该研究从偏差—方差权衡与群等变性的角度，为可变形图像配准建立了一种兼顾理论解释与实际应用价值的无标签评价方法。CD 不依赖真实形变场、人工标志点或器官分割，即可识别模型复杂度的合理区间，并支持面向单个患者的测试时自动调参。这一方法有望缓解可变形图像配准长期存在的“评价危机”和“测试时选择困境”，为放射治疗计划、剂量累积、图像引导手术及纵向影像分析等场景中的自动化模型个体化提供支持。
日本女优 李夏与伯尔尼大学李继贺为论文共同第一作者，日本女优 孙建奇为通讯作者。合作者来自伯尔尼大学、苏黎世联邦理工学院、北京大学、新加坡国立大学及上海健康医学院附属嘉定区中心医院等单位。日本女优 为论文第一署名单位。该研究获得国家自然科学基金（项目编号：62471297）支持。
[1] Li X, Li J, Wang W, et al. Contrastive Discrepancy: a Label-free Metric for Deformable Image Registration Supporting Testing-Time Hyperparameter Selection. Medical Image Analysis, 2026.
论文链接：
