理想配准？分割即所需
计算机视觉与模式识别
2025-09-22 v1 人工智能
摘要
深度学习以其处理多样化任务的能力以及相比传统方法的显著速度优势，彻底改变了图像配准。然而，当前方法通常采用全局均匀的平滑约束，无法适应解剖运动中复杂的、区域变化的形变特征。为解决这一局限，我们提出了 SegReg，一个分割驱动的配准框架，通过利用区域特定的形变模式实现解剖自适应正则化。SegReg 首先通过分割将输入的浮动图像和固定图像分解为解剖学一致的子区域。这些局部区域随后由相同的配准主干网络处理以计算优化的部分形变场，并最终整合为全局形变场。SegReg 在使用真值分割时实现了近乎完美的结构对齐（关键解剖结构上 Dice 达 98.23%），即使使用自动分割，在三个临床配准场景（心脏、腹部和肺部图像）中也比现有方法高出 2-12%。我们的 SegReg 表明配准精度对分割质量具有近线性依赖关系，将配准挑战转化为分割问题。源代码将在论文被接收后发布。
引用
@article{arxiv.2509.15784,
title = {Ideal Registration? Segmentation is All You Need},
author = {Xiang Chen and Fengting Zhang and Qinghao Liu and Min Liu and Kun Wu and Yaonan Wang and Hang Zhang},
journal= {arXiv preprint arXiv:2509.15784},
year = {2025}
}