在神經影像研究中，腦部亞結構（如海馬體、杏仁核）的精確分割對阿爾茨海默病、帕金森病等疾病的機制解析至關重要。傳統多圖譜分割方法依賴耗時的非線性配準（如LDDMM），且手工特征提取受限，而純深度學習模型易忽略解剖學先驗知識。湖南文理學院的研究團隊在《Biomedical Signal Processing and Control》發表研究，提出DRFnet框架，通過無監督微分同胚配準網絡（REGnet）與多圖譜形變編碼模塊的協同，實現高效精準的亞結構分割。

關鍵技術包括：1）基于PREDICT-HD和MALC數據集的16/35例T1-MRI；2）REGnet實現拓撲保持的圖譜-目標圖像配準；3）融合網絡通過相似性加權整合多圖譜標簽；4）端到端訓練優化。

研究結果顯示：
1. 多數據集驗證
在PREDICT-HD（16例）和MALC（35例）數據集中，DRFnet對12個亞結構的平均Dice分數分別達0.923和0.888，優于傳統方法（如Joint Label Fusion）及9種CNN模型（如3D U-Net）。

2. 消融實驗
移除多圖譜配準模塊導致Dice下降2.3%，證實REGnet對解剖對齊的貢獻；相似性選擇策略使海馬體分割精度提升1.8%。

3. 超參數分析
最優性能出現在使用5個圖譜、局部相似性半徑7mm時，平衡了計算效率與精度。

結論指出，DRFnet的創新性在于：1）首次將無監督微分同胚配準與多圖譜融合結合，解決傳統方法計算瓶頸；2）形變編碼模塊增強解剖學先驗傳遞；3）端到端架構較LDDMM提速10倍。該技術為大規模神經影像研究提供新范式，尤其適用于縱向追蹤腦結構萎縮的臨床場景。