SAMIR：基于 SAM 的高效注册框架中的鲁棒特征学习
计算机视觉与模式识别
2025-09-18 v1
摘要
图像注册是医学图像分析中的基本任务。形变往往与组织的形态特征密切相关，使得准确的特征提取至关重要。最近的弱监督方法通过 incorporating解剖先验（如分割掩码或 landmarks）作为输入或损失函数中的元素来提高注册效果。然而，这些弱标签往往难以获得，限制了其实际应用。 motivate于视觉基础模型的强大表示学习能力，本文引入 SAMIR，一个利用 Segment Anything Model (SAM) 来增强特征提取的高效医学图像注册框架。SAM 在大规模自然图像数据集上预训练，能够学习鲁棒且通用的视觉表征。我们不直接使用原始输入图像，而是设计了基于 SAM 图像编码器的任务特定适应流程，用于提取结构感知特征嵌入，使对解剖一致性和变形模式的建模更为准确。我们进一步设计了一个轻量级 3D 头部在嵌入空间中细化特征，适应医学图像中的局部变形。此外，我们引入了分层特征一致性损失，以引导粗到细特征匹配并提高解剖对齐。广泛的实验表明，SAMIR 在ACDC 和腹部数据集上的内主体心脏图像注册和主体间腹部 CT 图像注册任务上均显著优于最先进的方法，分别实现了约 2.68% 和 6.44% 的性能提升。该论文接受后，源代码将在 GitHub 上公开。
引用
@article{arxiv.2509.13629,
title = {SAMIR, an efficient registration framework via robust feature learning from SAM},
author = {Yue He and Min Liu and Qinghao Liu and Jiazheng Wang and Yaonan Wang and Hang Zhang and Xiang Chen},
journal= {arXiv preprint arXiv:2509.13629},
year = {2025}
}