SAMConvex：基于自监督解剖嵌入与相关金字塔的CT配准快速离散优化方法
计算机视觉与模式识别
2025-06-30 v2
摘要
通过特征空间中构建代价体来估计位移矢量场在图像配准中已取得巨大成功，但其存在计算负担过重的问题。此外，现有特征描述子仅提取局部特征，无法表征全局语义信息，而后者对解决大形变尤为重要。为解决所述问题，我们提出SAMConvex，一种用于CT配准的快速由粗到精细离散优化方法，其包含基于自监督解剖嵌入（SAM）特征提取器的解耦凸优化过程以获形变场，该提取器兼顾局部与全局信息。具体而言，SAMConvex提取逐体素特征并基于SAM特征构建6D相关体，通过由粗到精细策略在相关体上查表迭代更新流场。SAMConvex在两个患者间配准数据集（腹部CT与头颈CT）及一个患者内配准数据集（肺部CT）上优于最优（SOTA）的基于学习与基于优化的方法。而且，作为基于优化的方法，SAMConvex处理一对图像仅需约2秒（含实例优化约5秒）。
引用
@article{arxiv.2307.09727,
title = {SAMConvex: Fast Discrete Optimization for CT Registration using Self-supervised Anatomical Embedding and Correlation Pyramid},
author = {Zi Li and Lin Tian and Tony C. W. Mok and Xiaoyu Bai and Puyang Wang and Jia Ge and Jingren Zhou and Le Lu and Xianghua Ye and Ke Yan and Dakai Jin},
journal= {arXiv preprint arXiv:2307.09727},
year = {2025}
}