结合测试时训练的 DINOv3 用于医学图像配准
计算机视觉与模式识别
2025-08-21 v1 人工智能
摘要
先前的医学图像配准方法，特别是基于学习的方法，通常需要大量训练数据，这限制了其临床应用。为了克服这一局限性，我们提出了一种无需训练的流程，该流程依赖于冻结的 DINOv3 编码器和形变场在特征空间中的测试时优化。在两个代表性基准上，该方法准确并产生了规则的形变。在 Abdomen MR-CT 上，它获得了 0.790 的最佳平均 Dice 分数（DSC），同时具有最低的第 95 百分位 Hausdorff 距离（HD95）4.9±5.0，以及最低的 Log-Jacobian 标准差（SDLogJ）0.08±0.02。在 ACDC 心脏 MRI 上，它将平均 DSC 提高到 0.769，并将 SDLogJ 降低到 0.11，HD95 降低到 4.8，相较于初始对齐有显著提升。结果表明，在测试时于紧凑的基础特征空间中进行操作，为无需额外训练的临床配准提供了一种实用且通用的解决方案。
引用
@article{arxiv.2508.14809,
title = {DINOv3 with Test-Time Training for Medical Image Registration},
author = {Shansong Wang and Mojtaba Safari and Mingzhe Hu and Qiang Li and Chih-Wei Chang and Richard LJ Qiu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2508.14809},
year = {2025}
}