超越 LUMIR 挑战：迈向基础配准模型之路
图像与视频处理
2026-01-26 v2 计算机视觉与模式识别
摘要
医学图像挑战赛在推动该领域发展、激发创新和建立新性能基准方面发挥了变革性作用。图像配准作为神经影像学中的一项基础任务，同样通过 Learn2Reg 倡议取得了进步。在此基础上，我们引入了大规模无监督脑 MRI 图像配准 (LUMIR) 挑战赛，这是下一代无监督脑 MRI 配准基准。以往的挑战赛依赖于解剖标签图，而 LUMIR 提供了 4,014 张无标签 T1 加权 MRI 用于训练，通过自监督鼓励生物学上合理的形变建模。评估包括 590 名领域内测试受试者，以及跨疾病人群、成像协议和物种的广泛零样本任务。深度学习方法持续取得了 SOTA 性能，并生成了解剖学上合理的微分同胚形变场。它们优于几种领先的基于优化的方法，并且在大多数领域偏移下保持鲁棒。这些发现突显了深度学习在神经影像配准中日益成熟的地位，及其作为通用医学图像配准基础模型的潜力。
引用
@article{arxiv.2505.24160,
title = {Beyond the LUMIR challenge: The pathway to foundational registration models},
author = {Junyu Chen and Shuwen Wei and Joel Honkamaa and Pekka Marttinen and Hang Zhang and Min Liu and Yichao Zhou and Zuopeng Tan and Zhuoyuan Wang and Yi Wang and Hongchao Zhou and Shunbo Hu and Yi Zhang and Qian Tao and Lukas Förner and Thomas Wendler and Bailiang Jian and Benedikt Wiestler and Tim Hable and Jin Kim and Dan Ruan and Frederic Madesta and Thilo Sentker and Wiebke Heyer and Lianrui Zuo and Yuwei Dai and Jing Wu and Jerry L. Prince and Harrison Bai and Yong Du and Yihao Liu and Alessa Hering and Reuben Dorent and Lasse Hansen and Mattias P. Heinrich and Aaron Carass},
journal= {arXiv preprint arXiv:2505.24160},
year = {2026}
}