企业官网建设流程全解析

简介：这份医学图像配准MATLAB代码包面向医学影像处理学习者与研究者，聚焦多时相、多设备及多模态图像的对齐与融合需求，尤其适合希望理解非刚性配准实现细节的中高级读者。压缩包共34个文件，约240KB，以22个m脚本和6个C语言源码为核心，辅以4张png示例图像、1个fig界面配置及1个txt说明，覆盖B样条形变、刚体变换、互信息相似度、梯度优化与结果可视化等环节。代码中可见二维与三维B样条变换、刚体配准、互信息直方图计算及自定义最小化函数等实现，并提供多个配准示例脚本与网格生成、图像缩放等辅助工具，便于结合自身数据复现实验、比较不同形变模型与相似度度量的效果。已有1336人学习，适合作为医学图像配准算法剖析、课程实验与课题预研的参考材料。

1. 项目定位：一套 MATLAB 医学图像配准工程能替你省掉哪些手工对齐

同一个患者前后两次扫描，体位角度差个几度是常态，想在两张图上比较病灶边界，第一步永远不是测量，而是把两张图对齐。医学图像配准在 MATLAB 里其实有一整套现成的函数族，但真正拿来做项目，难点不在调一个函数，而在把读图、预处理、变换模型选择、优化器参数、结果评估、批量落盘这一串串起来。这套工程就是把这条链拆成可配置的模块：一个入口脚本、一层预处理、一层配准核心、一层评估与输出。

它适合两类人。手上有一批影像数据、想快速验证刚体配准或多模态配准思路的算法同学，改几个参数就能跑出对比图；需要在既有 MATLAB 分析流程里嵌入配准环节的工程开发，直接调用函数即可，不必重写优化器。整个工程不依赖深度学习框架，纯 Image Processing Toolbox 就能运行，对没有 GPU 的机器相当友好。

2. 工程结构与技术选型：入口脚本、配准核心与配置层的三层拆分

2.1 目录结构与文件职责

工程没有把所有逻辑塞进一个 .m 文件，而是按职责切成了 io、preprocess、register、eval 四块，入口只负责串流程。这样做的直接好处是：换一个配准算法只动 register 目录，换一种评估指标只动 eval 目录，入口脚本基本不动。目录大致长这样。

medical_reg_demo/ ├── main_register.m # 入口：读配置、跑单例、出图 ├── config/ │ └── default_params.m # 所有可调参数集中在这 ├── src/ │ ├── io/ │ │ ├── load_pair.m # 读固定图/浮动图，统一类型 │ │ └── save_result.m # 存变换矩阵、配准图、指标 │ ├── preprocess/ │ │ ├── normalize_intensity.m │ │ └── crop_roi.m # 裁掉无关背景，提速也提精度 │ ├── register/ │ │ ├── build_registrar.m # 组装 optimizer + metric │ │ ├── run_rigid.m # 刚体/仿射配准 │ │ ├── run_multimodal.m # 互信息配准 │ │ └── run_demons.m # 形变配准 │ └── eval/ │ ├── metric_mi.m # 基于联合直方图的互信息 │ ├── metric_ncc.m │ └── metric_dice.m ├── data/ │ ├── fixed/ # 参考图 │ └── moving/ # 待配准图 ├── output/ # tform 矩阵、融合图、csv 指标 └── tests/ └── smoke_test.m # 一对图的冒烟测试

这里有一个血泪经验：参数千万别分散写在各个函数里。早期我把 MaximumIterations 写在 run_rigid 里，把金字塔层数写在 main 里，调参时来回翻三个文件，改完一个忘了另一个，跑出来的结果完全对不上，排查了半天才发现是两处参数打架。后来统一收进 default_params，返回一个 struct 往下传，谁要用谁读，问题立刻少了。

2.2 技术选型：为什么用 imregister 而不是自己写优化器

配准本质上是个最优化问题：找一个空间变换 T，让 moving 图经过 T 变换后和 fixed 图的相似性度量最大。自己写不是不行，遗传算法、Powell 法、粒子群都能上，但工程里我一般不这么干，原因很实在。

第一，MATLAB 的imregconfig已经把两套常用组合封装好了。单模态（比如两次 CT 之间）走monomodal，得到的是均方差度量加常规步长梯度下降；多模态（比如 CT 对 MRI、或 T1 对 T2）走multimodal，度量换成 Mattes 互信息，优化器换成 OnePlusOneEvolutionary，一种类似进化策略的搜索方式，专门应付互信息这种非凸、梯度不好求的目标函数。这两套组合是踩过大量实际数据调出来的默认值，直接拿来用比手撸靠谱。

第二，imregtform内部做了多分辨率金字塔。它会在低分辨率层先估一个大致的变换，逐层细化到原图。对医学影像这种初始位置可能偏出去几十个像素的情况，金字塔几乎是必须的，不然优化器很容易卡在局部极小值上，表现为配准结果只挪动了一点点就停了，看着像没跑。

第三，几何变换对象tform是仿射/投影矩阵的封装，能直接存、能复用到别的图、能反向求逆。这一点在二次开发里价值很大：同一序列的多张图，可以用一个变换矩阵批量imwarp，不用每张图重新配准。

选型上还有一层权衡：imregister一行出结果，方便但黑匣子；imregtform只返回变换，图像重采样自己用imwarp做，灵活但多写两行。工程里我选后者，因为要保存变换矩阵供下游复用，也要自己控制插值方式。

2.3 运行环境与参数落盘

环境要求不高：MATLAB 主程序加 Image Processing Toolbox，imregconfig、imregtform、imwarp、imregdemons、imregcorr都在这个工具箱里。三维数据要额外注意内存，后面避坑章会专门讲。配置文件写成一个返回 struct 的函数，好处是可以在函数里写默认值、做合法性检查，也能被测试脚本直接调用。

function cfg = default_params() % 配准工程默认参数，所有可调项集中在这里，避免散落在各脚本中 cfg.io.fixedDir = fullfile('data', 'fixed'); cfg.io.movingDir = fullfile('data', 'moving'); cfg.io.outDir = 'output'; % 配准模式：monomodal / multimodal / demons cfg.reg.mode = 'monomodal'; % 变换类型：translation / rigid / similarity / affine cfg.reg.transform = 'rigid'; % 优化器参数（单模态梯度下降用） cfg.reg.maxIter = 300; % 最大迭代次数，太小会提前停 cfg.reg.gradTol = 1e-5; % 梯度幅值容差，越大停得越早 cfg.reg.minStep = 1e-5; % 最小步长 cfg.reg.maxStep = 0.0625; % 最大步长，太大容易震荡 cfg.reg.relax = 0.5; % 松弛因子 % 优化器参数（多模态进化策略用） cfg.reg.growth = 1.05; % 搜索半径增长因子 cfg.reg.epsilon = 1.5e-6; cfg.reg.initRadius = 6.25e-3; % 度量参数 cfg.reg.numSamples = 5000; % 互信息采样点数，别低于 1000 cfg.reg.numBins = 64; % 联合直方图分箱数 cfg.reg.pyramidLevels = 3; % 金字塔层数，初始偏差大就调高 cfg.reg.verbose = false;% 是否画优化过程曲线 % 预处理开关 cfg.pre.normalize = true; cfg.pre.cropROI = true; cfg.pre.roiMargin = 10; % 裁剪时四周留的像素 end

这段配置里最值得关注的是maxStep和pyramidLevels。maxStep决定单次迭代最多能挪多远，值给小了收敛慢，给大了在最优解附近来回跳，指标曲线会呈锯齿状；pyramidLevels是给初始偏差留的余量，两张图初始位置差得越多，层数越要往上加。numSamples则直接影响多模态配准的稳定性，样本太少时互信息估计方差大，优化器会被噪声带着走。

3. 核心链路拆解：从读图到输出 tform 的完整代码走一遍

3.1 预处理：灰度归一化、直方图匹配与 ROI 裁剪

预处理这一步很多人会跳过，觉得直接扔给imregtform就行。单模态、同设备、同序列的图确实可以偷懒，但只要跨设备或者跨时间，不做归一化，配准结果就是玄学。常见的问题是两张图灰阶范围差太多，均方差度量会被整体亮度差主导，优化器为了压亮度差把几何位置调歪。

function [F, M, Rfixed] = prepare_pair(fixedPath, movingPath, cfg) % 读取一对图像并做统一预处理：灰度化、归一化、可选 ROI 裁剪 F = imread(fixedPath); M = imread(movingPath); % 三通道直接转灰度，配准函数只接受二维或三维单通道 if size(F, 3) == 3, F = rgb2gray(F); end if size(M, 3) == 3, M = rgb2gray(M); end % 转单精度，避免 uint8 在梯度计算里溢出 F = im2single(F); M = im2single(M); if cfg.pre.normalize % mat2gray 线性拉伸到 [0,1]，先对齐量纲 F = mat2gray(F); M = mat2gray(M); % 直方图匹配把 moving 的灰度分布往 fixed 上靠， % 对同模态不同设备的图很有效，多模态时不要开 if strcmpi(cfg.reg.mode, 'monomodal') M = imhistmatch(M, F, 256); end end % 用固定图的非零区域估一个包围盒，两张图裁同一块 if cfg.pre.cropROI mask = F > graythresh(F) * 0.5; stats = regionprops(mask, 'BoundingBox'); if ~isempty(stats) bb = stats(1).BoundingBox; m = cfg.pre.roiMargin; rect = [max(1, bb(1)-m), max(1, bb(2)-m), ... bb(3)+2*m, bb(4)+2*m]; rect(3) = min(rect(3), size(F,2) - rect(1) + 1); rect(4) = min(rect(4), size(F,1) - rect(2) + 1); F = imcrop(F, rect); M = imcrop(M, rect); end end Rfixed = imref2d(size(F)); end

逐段说一下。im2single这步不能省，imregtform内部要做梯度和插值，uint8 在减法里会发生截断，表现为优化过程指标忽高忽低甚至直接报数据类型不匹配。imhistmatch只在单模态下开，多模态时两张图的灰度含义本来就不同，硬匹配会破坏互信息依赖的统计关系，反而拉低配准精度。

ROI 裁剪是性价比最高的一步。医学影像四周大量空气背景，这些像素对几何对齐没有任何信息量，却会占用互信息的采样点。裁掉之后配准速度能快一截，精度也更稳。imref2d是为了后面imwarp时明确输出网格，不然输出图尺寸会跟着变换矩阵变，融合显示时两张图对不上。

3.2 配准器构建：optimizer、metric 与金字塔层数

imregconfig返回的是带默认值的对象，直接改属性就行。把这段单独抽成build_registrar，是为了让入口脚本里看不到任何优化器细节。

function [optimizer, metric] = build_registrar(mode, cfg) % 根据模式组装优化器与相似性度量，并覆盖默认参数 switch lower(mode) case 'monomodal' [optimizer, metric] = imregconfig('monomodal'); optimizer.MaximumIterations = cfg.reg.maxIter; optimizer.GradientMagnitudeTolerance = cfg.reg.gradTol; optimizer.MinimumStepLength = cfg.reg.minStep; optimizer.MaximumStepLength = cfg.reg.maxStep; optimizer.RelaxationFactor = cfg.reg.relax; case 'multimodal' [optimizer, metric] = imregconfig('multimodal'); optimizer.MaximumIterations = cfg.reg.maxIter * 2; % 进化策略收敛慢 optimizer.GrowthFactor = cfg.reg.growth; optimizer.Epsilon = cfg.reg.epsilon; optimizer.InitialRadius = cfg.reg.initRadius; % 采样点与分箱数直接决定互信息的估计质量 metric.NumberOfSamples = cfg.reg.numSamples; metric.NumberOfHistogramBins = cfg.reg.numBins; otherwise error('build_registrar:unknownMode', '未知配准模式: %s', mode); end end

参数含义逐个说清。MaximumIterations是迭代上限，单模态梯度下降一般 200 到 300 够用，多模态的进化策略因为每轮要评估多个候选，收敛慢，通常要给到两倍。GradientMagnitudeTolerance是提前终止条件，梯度小于这个值就认为到最优了，值调大能让它早点停，但可能停在半路。MinimumStepLength和MaximumStepLength是一对，前者防止步长衰减到零后还在空转，后者防止一开始步子迈太大直接跳出图像范围。

多模态这边，InitialRadius是初始搜索半径，单位是像素，默认值比较保守，初始偏差大时可以往上调。NumberOfSamples我一般不会低于 1000，低于这个数互信息曲线会抖得厉害，优化器容易在几个候选之间反复横跳，表现为跑很久但变换矩阵基本没动。

3.3 执行配准与几何变换保存

主干调用只有一行，但参数顺序和输出网格是两个高频翻车点。

function [tform, Mreg] = run_rigid(M, F, cfg) % M 是 moving（待配准），F 是 fixed（参考），顺序不能反 [optimizer, metric] = build_registrar('monomodal', cfg); tform = imregtform(M, F, cfg.reg.transform, optimizer, metric, ... 'PyramidLevels', cfg.reg.pyramidLevels, ... 'DisplayOptimization', cfg.reg.verbose); % 用固定图的参考网格做重采样，保证输出和 F 同尺寸同坐标系 Rfixed = imref2d(size(F)); Mreg = imwarp(M, tform, 'OutputView', Rfixed, ... 'InterpolationMethod', 'linear'); % 变换矩阵落地，下游直接 load 复用，不用重跑 save(fullfile(cfg.io.outDir, 'tform_rigid.mat'), 'tform'); end

imregtform(moving, fixed, ...)的参数顺序，我见过不止一个人接反。接反之后函数照样跑完不报错，只是返回的是 fixed 到 moving 的变换，用在imwarp上结果就是图往反方向偏，越看越像算法不准，其实是顺序错了。

OutputView这参数也值得单说。不指定的时候，imwarp会按变换后的外接框输出，图像尺寸和原图不一样，跟 fixed 叠在一起显示时尺寸对不上，融合图会出现黑边或者错位。指定imref2d(size(F))之后输出网格和参考图完全一致，后面imshowpair、imfuse直接就能用。

保存tform是这个工程的一个关键设计。几何变换对象里存的是完整的变换矩阵，下次要处理同一序列的另一张图，直接imwarp(newM, loadedTform, 'OutputView', Rfixed)就行，不用重新跑优化。这一点在批量任务里能省掉大量时间。

3.4 结果呈现与变换复用

结果呈现不只是看一眼，还得能让人判断配准到底成没成。

function show_and_save(F, M, Mreg, cfg, name) % 三联图：配准前棋盘对比、配准后棋盘对比、红绿通道叠加 fig = figure('Visible', 'off', 'Position', [100 100 1200 400]); subplot(1,3,1); imshowpair(F, M, 'checkerboard'); % 配准前，棋盘格应错位 title('配准前'); subplot(1,3,2); imshowpair(F, Mreg, 'checkerboard'); % 配准后，棋盘格应连续 title('配准后'); subplot(1,3,3); imshowpair(F, Mreg, 'diff'); % 红绿差异图，绿色越少越对齐 title('差异图'); saveas(fig, fullfile(cfg.io.outDir, [name '_compare.png'])); close(fig); end

checkerboard模式是我最常用的判断方式：把两张图切成棋盘格交替显示，对齐好的话格子的结构应该是连续的，错位的话在格子边界上能看到明显断裂，一眼就能看出来。diff模式用红绿区分，绿色区域表示两张图亮度接近，红色表示差异大，配准后绿色占比应该明显上升。

这里有个容易忽略的点：棋盘格看起来连续，不代表几何精度就够。粗配准到像素级，棋盘格就已经很连续了，但要做病灶体积测量，还得看后面评估指标那一节的内容。

4. 多模态与形变配准：互信息配准和 demons 位移场两条支线

4.1 多模态：Mattes 互信息配准

单模态配准用均方差没问题，因为两张图同一个像素的灰度含义相同，对齐了灰度差就该最小。但多模态不一样，比如一张 T1 加权图和一张 T2 加权图，同一个解剖位置上一个亮一个暗，均方差会把「对齐」判成「差异大」，优化器直接跑反。这时候要换成互信息。

互信息衡量的是两张图的统计相关性，不要求灰度值相等，只要求「一个图亮的地方，另一个图也有规律地亮或暗」。Mattes 互信息是其中一个变种，用随机采样点估联合直方图，比全图统计快很多。

function [tform, Mreg, miVal] = run_multimodal(M, F, cfg) % 多模态配准：CT/MRI 之间、不同序列之间用这条支线 [optimizer, metric] = build_registrar('multimodal', cfg); tform = imregtform(M, F, 'rigid', optimizer, metric, ... 'PyramidLevels', cfg.reg.pyramidLevels); Rfixed = imref2d(size(F)); Mreg = imwarp(M, tform, 'OutputView', Rfixed, ... 'InterpolationMethod', 'linear'); % 配准前后各算一次互信息，用来判断这次配准是否有效 miBefore = metric_mi(M, F, cfg.reg.numBins); miAfter = metric_mi(Mreg, F, cfg.reg.numBins); miVal = struct('before', miBefore, 'after', miAfter, ... 'gain', miAfter - miBefore); end

这段代码里我特意保留了配准前后的互信息对比。多模态配准不像单模态那么直观，棋盘格看着连续也可能是假的，光看视觉判断很容易被骗。配准后互信息应该明显高于配准前，如果gain接近零甚至为负，说明这次配准基本没起作用，得回头检查预处理和初始位置。

metric.NumberOfSamples和NumberOfHistogramBins是多模态这条线的两个核心参数。采样点少，估计方差大；分箱数太多，每箱里的样本稀，互信息会被噪声主导；太少，又分辨不出灰度分布的细节。64 个箱、5000 个采样点是个比较稳妥的起点，数据量大或者图像分辨率高的时候可以往上加。

4.2 形变配准：imregdemons 与位移场

刚体配准只能处理整体平移和旋转。软组织、呼吸运动、组织形变这类非线性变化，刚体模型根本描述不了，这时候要上形变配准。imregdemons实现的是 demons 算法，输出不是变换矩阵，而是一个位移场，每个像素都有自己的位移向量。

function [D, Mdef] = run_demons(M, F, cfg) % 形变配准：适用于软组织、呼吸运动等非刚性形变 % 迭代次数按金字塔从粗到细设置，[100 50 20] 表示三层 D = imregdemons(M, F, [100 50 20], ... 'AccumulatedFieldSmoothing', 1.2, ... % 平滑系数，越大位移场越平滑 'PyramidLevels', 3, ... 'DisplayWaitbar', false); Mdef = imwarp(M, D); % 位移场直接作为 imwarp 的第二个参数 end

imregdemons(moving, fixed, iterations)的第三个参数是各层的迭代次数，从粗层到细层依次递减。粗层迭代多，先把大形变拉过来；细层迭代少，只做局部微调。AccumulatedFieldSmoothing控制位移场的平滑程度，值太小位移场会出现高频抖动，组织边界被撕开；值太大又会把真正的形变抹平，一般从 1.0 到 1.5 之间试。

形变配准的计算量比刚体大一个量级，因为位移场的尺寸和图像一样。512×512 的二维图还好，三维体数据直接就是 512×512×N×3 的数组，内存很容易顶不住。我一般的做法是先降采样做粗配准，再把位移场上采样回原尺寸作为初值，最后在原图上跑少量迭代。这条路径不是必须的，但数据一上三维就能体会到差别。

4.3 评估：互信息、NCC、Dice 三个指标怎么算

配准做完必须量化，不然全是感觉。工程里放了三个指标，覆盖不同场景。

互信息适合多模态，值越大越对齐。MATLAB 没有直接暴露imregtform内部用的度量值，所以得自己按联合直方图算一个。

function mi = metric_mi(A, B, nbins) % 基于联合直方图的互信息，值越大说明两图统计相关性越强 A = double(A(:)); B = double(B(:)); edgesA = linspace(min(A), max(A) + eps, nbins + 1); edgesB = linspace(min(B), max(B) + eps, nbins + 1); p = histcounts2(A, B, edgesA, edgesB); p = p / sum(p(:)); % 归一化成联合概率 pa = sum(p, 2); % 边缘概率 pb = sum(p, 1); % 只取联合概率非零的格子，避免 log(0) 产生 -Inf [ia, ib] = find(p > 0); pab = p(p > 0); mi = sum(pab .* log2(pab ./ (pa(ia) .* pb(ib)))); end

histcounts2一次性把两个方向的直方图都统计完，比手写双重循环快很多。p > 0的筛选是必须的，联合直方图里大量格子是空的，直接取 log 会得到 -Inf，整个结果就废了。这段代码里pa(ia)和pb(ib)都是列向量，点乘得到每个非零格子的边缘概率乘积，维度自然对齐。

NCC 适合单模态，用corr2一行就够，值域 -1 到 1，越接近 1 越对齐。Dice 系数用于二值掩膜，比如两张图都分割出了病灶区域，配准之后算两个掩膜的重合度，公式是两倍交集除以两个集合大小之和。

function d = metric_dice(A, B) % 二值掩膜的 Dice 相似系数，1 表示完全重合 A = logical(A); B = logical(B); d = 2 * nnz(A & B) / (nnz(A) + nnz(B) + eps); end

三个指标各有适用面：同模态看 NCC 和 Dice，多模态看互信息，形变配准看 Dice 加位移场幅值。别指望一个指标打天下，我一般是配准后三个都算一遍存进 csv，哪次结果看着不对劲，翻表就能定位是哪类指标掉了。

5. 避坑与排查：配准跑歪、报错和跑不动的 5 条血泪记录

5.1 结果层面的两类翻车

现象一：配准后图像整体往反方向平移，越配越远。原因基本是两个。最常见的是imregtform的 moving 和 fixed 顺序接反，函数不报错，但返回的是反向变换。其次是没有指定OutputView，imwarp按变换后的外接框输出，图像尺寸变了，再和原图叠加时位置自然对不上。 解决：在run_rigid里固定参数顺序，函数签名写成run_rigid(M, F, cfg)并在注释里标明 M 是待配准、F 是参考；imwarp一律带'OutputView', imref2d(size(F))。不确定方向时，用imregcorr先估一个相位相关的平移量做交叉验证，两个结果差得离谱就说明有一处接反了。

现象二：配准只挪动了一两个像素就停了，棋盘格还是明显断裂。这是典型的局部极小值。初始位置偏差太大，金字塔层数又不够，优化器在低分辨率层就掉进了一个错误的谷底，后面几层只是在这个错误位置附近微调。 解决：先确认PyramidLevels至少给到 3；初始偏差超过图像尺寸十分之一时，把层数加到 4。再不行就上粗配准：把两张图降采样到四分之一，跑一次平移配准拿到大致位置，把结果作为初值传给完整配准。我一般会在入口加一句检查，配准前后互信息增益小于阈值就自动触发粗配准重跑一次，省得人工盯。

5.2 报错与性能层面的三类问题

现象三：报错提示输入必须是二维或数据类型不支持。原因通常是三通道 RGB 图没转灰度，或者 uint8 直接进了优化器。imregtform要求输入是二维灰度或三维单通道，uint8 在梯度和插值计算里会溢出。 解决：在prepare_pair里强制rgb2gray加im2single，这一步放在所有处理之前。加完之后同类报错基本就绝迹了。

现象四：多模态配准指标曲线抖动剧烈，跑满迭代次数也不收敛。原因是互信息的采样点落到了大片背景上。医学影像背景占比经常超过一半，随机采样很容易全采到空气，联合直方图基本是空的，互信息估计方差极大。 解决：先裁 ROI 再配准，这一步对多模态的提升比单模态更明显；把NumberOfSamples从默认值提到 5000 以上；分箱数控制在 64 附近，别贪多。如果数据本身对比度很低，可以先做一次高斯平滑再配准，能明显压住抖动。

现象五：三维数据跑形变配准，内存爆掉或者跑了半小时没动静。原因是位移场的维度和图像一样，三维数据下imregdemons内部要维护多个同尺寸的双精度数组，512×512×200 的体数据很容易把内存吃满。 解决：先降采样到一半或四分之一跑配准，再把位移场用imresize3上采样回原尺寸作为初值，最后在原图上只跑少量迭代。同时把各层迭代次数从默认的 [100 50 20] 降到 [40 20 10]，精度损失不大，时间能省一大半。

提示：这五条里，顺序接反和没指定 OutputView 占了实际排查量的一大半。遇到「配准不准」的反馈，先别急着调参数，把这两点确认一遍，能省下大半天。

6. 二次开发：把配准接进批处理管线和评估表格

单对图像跑通之后，真正的工作量在批量。工程里main_register.m只处理一对图，实际项目中往往是几十上百个病例，每个病例又是多个时间点。这时候不需要重写配准逻辑，加一层循环和一张结果表就够了。

批处理的核心是把「配对、跑、存、记」四件事拆开。配对靠文件名规则，跑调用现成函数，存走save_result，记就是往表格里追加一行。

function batch_register(cfg) % 批量配准：按文件名前缀配对 fixed 与 moving fixedFiles = dir(fullfile(cfg.io.fixedDir, '*.png')); results = table(); for k = 1:numel(fixedFiles) name = erase(fixedFiles(k).name, '.png'); movingPath = fullfile(cfg.io.movingDir, [name '.png']); if ~isfile(movingPath) warning('跳过 %s：找不到对应的 moving 图', name); continue; end try [F, M] = prepare_pair(fullfile(cfg.io.fixedDir, fixedFiles(k).name), ... movingPath, cfg); [tform, Mreg] = run_rigid(M, F, cfg); % 三个指标一起算，方便后续横向对比 mi = metric_mi(Mreg, F, cfg.reg.numBins); ncc = corr2(Mreg(:), F(:)); results = [results; table({name}, mi, ncc, ... 'VariableNames', {'caseName', 'MI', 'NCC'})]; save_result(F, Mreg, tform, cfg, name); % 存图 + 存变换矩阵 catch ME % 单个病例失败不中断整批，错误写日志 warning('病例 %s 配准失败: %s', name, ME.message); end end writetable(results, fullfile(cfg.io.outDir, 'metrics.csv')); end

这段代码里有两个细节值得说。try-catch是必须的，批量任务里总有那么一两个病例数据有问题，不能让一个异常把整批打断；但也不能静默吞掉，warning里带上病例名和错误信息，出问题能定位。表格用table而不是 cell 数组，是因为writetable直接出 csv，后续在别的工具里做统计方便得多。

再往深一层改，就是把配准接到分割或测量流程里。配准输出的tform可以直接作用到分割掩膜上，让两次扫描的病灶区域落在同一个坐标系里，再做体积差值。这一步的关键是掩膜重采样时用最近邻插值，别用线性插值，否则二值边界会被插出中间值，Dice 算出来偏低。

最后说个我自己的习惯。早些年做配准，跑完看一眼棋盘格觉得挺连续，就直接把结果交给下游做测量了，后来发现有几例的位移方向根本就是反的，只是棋盘格在那个尺度上看不出差别。从那以后我每次跑完批量任务，都会强制走一遍「配准前后互信息增益 + NCC 变化」的双指标检查，增益为负或者变化小于阈值的病例全部打回重跑，再不济也要人工过一眼棋盘格。这个习惯拦下过不少看着正常、实际错位的结果，比事后返工便宜太多。希望帮到你。

本文还有配套的精品资源，点击获取