NimbleReg：基于轻量深度学习的微分同胚图像配准框架
计算机视觉与模式识别
2026-04-29 v2
摘要
本文提出了NimbleReg，一个利用多个分割解剖区域表面表示的轻量深度学习（DL）微分同胚图像配准框架。深度学习已经革新了图像配准，但大多数方法通常依赖笨重的网格化表示，导致硬件密集型模型。现在可以以低成本获取的可靠细粒度分割常被用于引导对齐。已提出使用边界表面表示分割的轻量方法，但它们缺乏支持将多个区域映射融合为整体微分同胚变换的机制。基于这些进展，我们提出了一种DL配准方法，能够对齐多个分割区域的表面以生成整个环境空间的整体微分同胚变换。所提模型得益于PointNet骨干网络而保持轻量。微分同胚性质通过利用微分同胚的稳态速度场参数化来保证。我们证明该方法实现了与消耗图像的先进DL配准技术相当的配准精度。
引用
@article{arxiv.2503.07768,
title = {NimbleReg: A light-weight deep-learning framework for diffeomorphic image registration},
author = {Antoine Legouhy and Ross Callaghan and Nolah Mazet and Vivien Julienne and Hojjat Azadbakht and Hui Zhang},
journal= {arXiv preprint arXiv:2503.07768},
year = {2026}
}