基于Mamba的Colonoscopy点云配准方法——MambaNetLK
计算机视觉与模式识别
2025-11-04 v1
摘要
准确的3D点云配准是可靠图像引导结肠镜的关键，直接影响病灶定位、边缘评估和导航安全。然而，生物组织具有重复纹理和局部均匀几何，导致特征退化；同时，术前解剖与术中观察之间存在显著的领域偏移，进一步降低配准稳定性。为解决这些临床关键挑战，我们引入一种专为内窥镜导航设计的新型3D配准方法，并构建高质量、临床导向的数据集以支持严格且可重复的基准测试。我们引入C3VD-Raycasting-10k，一个大规模基准数据集，包含10,014对几何对齐的点云对，源自临床CT数据。我们提出了MambaNetLK，一种新的无对应点配准框架，通过集成Mamba状态空间模型（SSM）作为跨模态特征提取器来增强PointNetLK架构。因此，该框架能够以线性时间复杂度高效捕获长程依赖关系。通过Lucas-Kanade算法实现迭代对齐。在临床数据集C3VD-Raycasting-10k上，MambaNetLK以优异性能取代了当前最先进的方法，将中位数旋转误差降低56.04%，RMSE平移误差降低26.19%。该模型在ModelNet40上表现出强大的泛化能力，并对初始姿态扰动具有优异鲁棒性。MambaNetLK为手术导航中的3D配准提供了稳健的基础。基于全局表达性SSM特征提取器与大规模临床数据集的组合，使得内窥镜等微创手术程序中的更准确和可靠的引导系统成为可能。
引用
@article{arxiv.2511.00260,
title = {MambaNetLK: Enhancing Colonoscopy Point Cloud Registration with Mamba},
author = {Linzhe Jiang and Jiayuan Huang and Sophia Bano and Matthew J. Clarkson and Zhehua Mao and Mobarak I. Hoque},
journal= {arXiv preprint arXiv:2511.00260},
year = {2025}
}
备注
12 pages, 4 figures, 3 tables, IPCAI conference