FMIR：用于鲁棒图像配准的基于基础模型的图像配准框架
计算机视觉与模式识别
2026-02-02 v2
摘要
深度学习通过实现前所未有的速度彻底改变了医学图像配准，然而其在临床应用中受到训练域之外泛化能力有限的阻碍，鉴于医学数据集通常规模较小，这是一个关键弱点。在本文中，我们介绍了 FMIR，一个基于基础模型的配准框架，它克服了这一局限性。FMIR 结合了用于提取解剖结构的基于基础模型的特征编码器与通用配准头，并仅使用单一数据集通过通道正则化策略进行训练，实现了最先进的 (SOTA) 域内性能，同时在域外图像上保持鲁棒的配准。我们的方法展示了一条在有限资源下构建可泛化医学成像基础模型的可行路径。代码可在 https://github.com/Monday0328/FMIR.git 获取。
引用
@article{arxiv.2601.17529,
title = {FMIR, a foundation model-based Image Registration Framework for Robust Image Registration},
author = {Fengting Zhang and Yue He and Qinghao Liu and Yaonan Wang and Xiang Chen and Hang Zhang},
journal= {arXiv preprint arXiv:2601.17529},
year = {2026}
}
备注
Accepted to the International Symposium on Biomedical Imaging (ISBI 2026)