提高医学图像注册基础模型泛化性
计算机视觉与模式识别
2025-05-13 v1 人工智能
摘要
可 deformable 注册是医学图像处理中的基础任务，旨在通过建立图像间的非线性对应关系来实现精确对齐。传统方法具有良好的适应性和可解释性，但受限于计算效率。尽管深度学习方法显著提高了注册速度和准确性，但往往缺乏跨不同数据集和任务的灵活性和可泛化性。近年来，基础模型作为一种前景方向涌现，将通过大规模且多样化的数据集来学习通用特征和图像转换模式，展现出强大的跨任务迁移能力。然而，这些模型在面对新解剖结构、不同的成像条件或未见模态时，仍面临着泛化性和鲁棒性的挑战。为此，本文将锐度感知最小化（SAM）引入基础模型，以增强其在医学图像注册中的泛化性和鲁棒性。通过优化损失景观的平坦性，SAM提高了模型在多样化数据分布上的稳定性，并强化其处理复杂临床情景的能力。实验结果表明，集成SAM的基础模型在跨数据集注册性能上实现了显著提升，为医学图像注册技术的发展提供了新的视角。我们的代码已公开于https://github.com/Promise13/fm_sam。
引用
@article{arxiv.2505.06527,
title = {Improving Generalization of Medical Image Registration Foundation Model},
author = {Jing Hu and Kaiwei Yu and Hongjiang Xian and Shu Hu and Xin Wang},
journal= {arXiv preprint arXiv:2505.06527},
year = {2025}
}
备注
IJCNN