uniGradICON：面向医学图像配准的基础模型
计算机视觉与模式识别
2024-03-12 v1
摘要
传统的医学图像配准方法直接对变换模型的参数进行优化。这些方法非常成功，并被通用于不同解剖区域的配准。最近的深度配准网络速度极快且精度高，但仅针对特定任务进行训练。因此，它们不再是通用的配准方法。因此，我们提出了 uniGradICON，作为迈向配准基础模型的第一步，提供：1) 在多个数据集上具有出色的性能，这对于当前基于学习的配准方法是不可行的；2) 针对新配准任务的零样本能力，适用于与训练数据集不同的采集方式、解剖区域和模态；3) 在分布外配准任务上进行微调的强初始化。uniGradICON 将基于学习的配准算法的速度和精度优势与传统的非深度学习方法的通用适用性统一起来。我们在十二个不同的公开数据集上对 uniGradICON 进行了广泛的训练和评估。我们的代码和 uniGradICON 模型可在 https://github.com/uncbiag/uniGradICON 获取。
引用
@article{arxiv.2403.05780,
title = {uniGradICON: A Foundation Model for Medical Image Registration},
author = {Lin Tian and Hastings Greer and Roland Kwitt and Francois-Xavier Vialard and Raul San Jose Estepar and Sylvain Bouix and Richard Rushmore and Marc Niethammer},
journal= {arXiv preprint arXiv:2403.05780},
year = {2024}
}