用于鲁棒且可泛化可变形图像配准的代理监督
计算机视觉与模式识别
2025-09-15 v1 人工智能
摘要
目标：基于深度学习的可变形图像配准已取得了很高的精度，但对输入图像特征的变化仍然敏感，例如伪影、视野不匹配或模态差异。我们旨在开发一种通用的训练范式，以提高配准网络的鲁棒性和可泛化性。方法：我们引入了代理监督，通过对代理图像应用估计的空间变换，将输入域与监督域解耦。这允许在异质输入上进行训练，同时确保在相似性定义明确的域中计算监督。我们通过三个代表性应用评估该框架：抗伪影的脑部 MR 配准、与掩模无关的肺部 CT 配准以及多模态 MR 配准。结果：在各项任务中，代理监督对包括不均匀场、不一致视野和模态差异在内的输入变化表现出很强的抵抗力，同时在精心整理的数据上保持高性能。结论：代理监督提供了一个原则性的框架，用于在不增加复杂性的情况下训练鲁棒且可泛化的基于深度学习的配准模型。意义：代理监督为更鲁棒和可泛化的医学图像配准提供了一条实用的途径，使其能够在多样化的生物医学成像场景中获得更广泛的应用。
引用
@article{arxiv.2509.09869,
title = {Surrogate Supervision for Robust and Generalizable Deformable Image Registration},
author = {Yihao Liu and Junyu Chen and Lianrui Zuo and Shuwen Wei and Brian D. Boyd and Carmen Andreescu and Olusola Ajilore and Warren D. Taylor and Aaron Carass and Bennett A. Landman},
journal= {arXiv preprint arXiv:2509.09869},
year = {2025}
}