SAMReg：基于感兴趣区域对应关系的SAM图像配准
计算机视觉与模式识别
2024-10-21 v1
摘要
本文描述了一种新的基于配对感兴趣区域的空间对应表示方法，用于医学图像配准。讨论了所提出的基于感兴趣区域对应关系的独特属性，以及在图像配准后临床应用中相对于其他对应表示方法（例如基于采样位移和空间变换函数的方法）的潜在优势。这些优势包括基于学习的图像配准与分割之间的清晰联系，这反过来又激发了两种使用（预）训练分割网络的图像配准方法。基于分割一切模型（SAM），一个用于分割的视觉基础模型，我们开发了一种新的配准算法SAMReg，该算法不需要任何训练（或训练数据）、基于梯度的微调或提示工程。所提出的SAMReg模型在五个实际应用场景中进行了评估，包括心脏MR和肺部CT的受试者内配准任务、前列腺MR和视网膜成像中具有挑战性的受试者间配准场景，以及一个非临床示例的航空图像配准的额外评估。所提出的方法在包括Dice系数和基于解剖结构的目标配准误差在内的测试指标上，均优于基于强度的迭代算法和预测密集位移场的基于学习的网络，并且进一步证明了与依赖完全分割训练数据的弱监督配准方法相比具有竞争力的性能。开源代码和示例可在以下网址获取：https://github.com/sqhuang0103/SAMReg.git。
引用
@article{arxiv.2410.14083,
title = {SAMReg: SAM-enabled Image Registration with ROI-based Correspondence},
author = {Shiqi Huang and Tingfa Xu and Ziyi Shen and Shaheer Ullah Saeed and Wen Yan and Dean Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2410.14083},
year = {2024}
}