NCF：用于医学图像配准的神经对应场
图像与视频处理
2025-03-04 v1 计算机视觉与模式识别
摘要
可变形图像配准是医学图像处理中的基本任务。传统的基于优化的方法在处理复杂变形时常常难以实现准确。最近的基于学习的方法在公开数据集上取得了良好的性能，但稀缺的医学图像数据使得构建针对多样化真实场景的通用模型具有挑战性。为此，我们提出一种无需训练数据的学习方法——神经对应场（Neural Correspondence Field, NCF），可仅从一个数据对中学习。我们的方法采用紧凑的神经网络来建模对应场，并为每个图像对优化模型参数。因此，每个配对都有一组唯一的网络权重。值得注意的是，我们的模型非常高效，仅使用 0.06 百万参数。评估结果表明，所提出的方法在公开的肺 CT 数据集上取得优异性能，并在头颈数据集上超越了传统方法，显示出其有效性和效率。
引用
@article{arxiv.2503.00760,
title = {NCF: Neural Correspondence Field for Medical Image Registration},
author = {Lei Zhou and Nimu Yuan and Katjana Ehrlich and Jinyi Qi},
journal= {arXiv preprint arXiv:2503.00760},
year = {2025}
}