基于优化子体积下采样的数字体积相关计算加速方法

本文提出了一种创新的优化子体积下采样策略，通过选择性保留对匹配质量有显著贡献的关键体素点（MIGmean阈值自适应确定），显著提升了数字体积相关（DVC）的计算效率。该方法在保持亚体素配准精度的前提下，实现了单点计算时间减少80%、整体效率提升近5倍的突破性进展，为高分辨率三维内部变形测量提供了实用化解决方案。

　　

Highlight
数字体积相关（DVC）作为三维全场变形测量的金标准，其计算效率瓶颈主要源于子体积内大量体素点的亚体素强度插值。本研究突破性地发现：仅15%-30%的体素点对匹配精度具有实质性贡献！

3D IC-GN算法
采用三维逆合成高斯-牛顿（3D IC-GN）算法最小化零均值归一化平方差（ZNSSD）准则时，每个迭代步骤都需要对变形子体积中数百万个体素点进行双三次样条插值——这好比要求CT扫描仪对每个像素都做全精度重建，显然存在巨大的计算冗余。

优化子体积下采样策略
就像精准医疗中的靶向治疗，我们开发了基于平均强度梯度（MIG_mean）的"智能筛选用法"：

1. 通过SSSIG误差模型识别对位移敏感的"超级体素"
2. 采用自适应阈值技术（动态调节MIG_mean cutoff值）
3. 仅保留梯度显著的前30%体素，形成"精简版"子体积
   这种生物学启发的策略，类比于神经元突触的效能优化机制，在保持神经网络功能的同时大幅降低能耗。

实验验证
泡沫铜重扫描实验显示：在X射线CT系统（YXLON Modular，130kV/60μA）的实测数据中，下采样组位移测量误差仅增加0.02体素，但计算耗时直降82%——相当于把大象装进冰箱的时间从5小时缩短到54分钟！

Conclusion
这项研究开创性地将"关键特征提取"理念引入DVC领域：
• 首次证明MIG_mean阈值与局部微结构特征存在剂量-效应关系
• 开发的自适应算法可智能识别不同材料（如骨组织/金属泡沫）的最佳下采样比例
• 为实时4D-CT力学分析铺平了道路