医学图像配准中的离散化：超越趋势驱动架构，迈向领域特定策略

医学图像配准支撑着跨器官、跨模态及患者群体的定量分析。近期深度学习方法常将计算机视觉中的低层“趋势驱动”计算模块（如大卷积核 CNN、Transformer 和状态空间模型）与高层配准特定设计（如运动金字塔、相关层和迭代细化）组合使用。然而，这些范式的相对贡献仍不清晰且交织在一起。这引出一个核心问题：未来的配准进步应聚焦于引入通用架构趋势，还是细化领域特定设计原则？通过一个跨越脑、肺、心脏和腹部配准的模块化框架，我们系统性地解耦了这两种范式的影响。我们的评估表明，低层“趋势驱动”计算模块仅提供有限或不一致的提升，而高层配准特定设计则持续提供更精确、更光滑且更稳健的变形。这些领域先验显著提升了标准 U-Net 基线性能，远超包含“趋势驱动”模块的变体，平均相对提升约为 $\sim3\%$。所有模型和实验均在一个透明、模块化的基准平台上发布，后者支持即插即用式比较，便于社区隔离真实的方法贡献与领域先验。该动态可扩展平台为可重复且公平的评估奠定了共同基础，邀请社区聚焦于配准领域中真正的技术进步。我们的发现主张研究重心应从追随架构趋势，转向拥抱领域特定设计原则——这才是学习型医学图像配准真正的驱动力。