MorphSeek：基于细粒度潜在表示层策略优化的可变形图像配准
计算机视觉与模式识别
2026-05-19 v3
摘要
可变形图像配准（DIR）仍是医学图像分析中一个基本且具有挑战性的问题，主要由于稠密位移场的高维变形空间以及稀缺的体素级监督导致。现有的强化学习框架常将此空间投射到粗糙的低维表示上，限制了其捕捉空间变形的能力。我们提出了MorphSeek，一种细粒度表示层策略优化范式，将DIR重新表述为潜在特征空间中的空间连续优化过程。MorphSeek在编码器上引入随机高斯策略头，建模潜在特征的分布，以实现高效探索和粗到细的细化。该框架通过群相对策略优化（Group Relative Policy Optimization）集成无监督预热与弱监督微调，其中多轨迹采样稳定训练并提高标签效率。在三个3D注册基准（OASIS脑MRI、LiTS肝CT和腹部MR-CT）上，MorphSeek相较于竞争性基线在Dice指标上实现一致性提升，同时以最小参数成本和低级步骤延迟开销保持高标签效率。除了优化器细节外，MorphSeek推进了一种实现空间一致性和数据高效变形优化的表示层策略学习范式，为在高维环境中实现可扩展视觉对齐提供了原则、基于骨干网络中性和优化器中性的解决方案。
引用
@article{arxiv.2511.17392,
title = {MorphSeek: Fine-grained Latent Representation-Level Policy Optimization for Deformable Image Registration},
author = {Runxun Zhang and Yizhou Liu and Li Dongrui and Bo XU and Jingwei Wei},
journal= {arXiv preprint arXiv:2511.17392},
year = {2026}
}
备注
20 pages