DARE：用于学习型医学图像配准的可变形自适应正则化估计器
计算机视觉与模式识别
2025-10-23 v1 数值分析
数值分析
摘要
可变形医学图像配准是医学图像分析中的基础任务。虽然深度学习方法在准确性和计算效率方面优于传统技术，但往往忽视正则化在确保鲁棒性和解剖可行性中的关键作用。我们提出 DARE（Deformable Adaptive Regularization Estimator），一种新型配准框架，基于变形场梯度范数的动态调整弹性正则化。我们的方案整合应变能和剪切能项，自适应调节以平衡稳定性与灵活性。为确保物理上真实的变换，DARE 包含一种防止折叠的机制，对具有负变形雅可比的区域进行惩罚。该策略缓解了非物理性 artifacts 如折叠，避免过度平滑，提高了配准精度和解剖可行性。
引用
@article{arxiv.2510.19353,
title = {DARE: A Deformable Adaptive Regularization Estimator for Learning-Based Medical Image Registration},
author = {Ahsan Raza Siyal and Markus Haltmeier and Ruth Steiger and Malik Galijasevic and Elke Ruth Gizewski and Astrid Ellen Grams},
journal= {arXiv preprint arXiv:2510.19353},
year = {2025}
}