带不确定性估计的自适应条件对比度无关可变形图像配准
计算机视觉与模式识别
2026-01-12 v1
摘要
由于不同成像对比度之间存在复杂的非线性强度关系，可变形多对比度图像配准是一项具有挑战性但又至关重要的任务。传统的配准方法通常依赖于对变形场的迭代优化，这非常耗时。尽管最近基于学习的方法在推理过程中实现了快速准确的配准，但其泛化能力仍然局限于训练期间观察到的特定对比度。在这项工作中，我们提出了一种基于随机卷积对比度增强方案的自适应条件对比度无关可变形图像配准框架（AC-CAR）。AC-CAR 无需在训练期间观察任意成像对比度即可泛化到这些对比度。为了鼓励对比度不变的特征学习，我们提出了一个自适应条件特征调制器（ACFM），它自适应地调制特征和对比度不变的潜在正则化，以强制学习到的特征在不同成像对比度间保持一致。此外，我们通过集成一个方差网络，利用对比度无关的配准编码器来提供对比度无关的配准不确定性，从而提高了 AC-CAR 的可信度和可靠性。实验结果表明，AC-CAR 在配准精度上优于基线方法，并对未见过的成像对比度表现出优越的泛化能力。代码可在 https://github.com/Yinsong0510/AC-CAR 获取。
引用
@article{arxiv.2601.05981,
title = {Adaptive Conditional Contrast-Agnostic Deformable Image Registration with Uncertainty Estimation},
author = {Yinsong Wang and Xinzhe Luo and Siyi Du and Chen Qin},
journal= {arXiv preprint arXiv:2601.05981},
year = {2026}
}
备注
Accepted by ieee transactions on Medical Imaging