基于多层相关金字塔优化的无监督 MR-US 多模态图像配准
计算机视觉与模式识别
2026-02-17 v2
摘要
基于多模态图像配准的手术导航在通过显示手术中靶区相对于关键解剖结构位置来为外科医生提供术中指引方面发挥着重要作用。然而，由于多模态图像之间的差异以及手术中因组织位移和切除而导致的术中图像变形，有效地对术前和术中多模态图像进行配准面临重大挑战。为解决 Learn2Reg 2025 中的多模态图像配准挑战，我们设计了一种基于多层相关金字塔优化（MCPO）的无监督多模态医学图像配准方法。首先，基于模态独立的邻域描述符提取每个模态的特征，并将多模态图像映射到特征空间。其次，设计了一种多层金字塔融合优化机制，通过稠密相关分析和加权平衡的凸优化，在不同尺度下实现对输入特征的全局优化和局部细节补充。我们的方法聚焦于 Learn2Reg 2025 中的 ReMIND2Reg 任务。根据结果，我们的方法在 ReMIND2Reg 任务的验证阶段和测试阶段均取得第一名。MCPO 也在 Resect 数据集上得到验证，平均 TRE 为 1.798 mm。这表明了该方法在术前至术中图像配准中的广泛适用性。代码已发布于 https://github.com/wjiazheng/MCPO。
引用
@article{arxiv.2602.06288,
title = {Unsupervised MR-US Multimodal Image Registration with Multilevel Correlation Pyramidal Optimization},
author = {Jiazheng Wang and Zeyu Liu and Min Liu and Xiang Chen and Xinyao Yu and Yaonan Wang and Hang Zhang},
journal= {arXiv preprint arXiv:2602.06288},
year = {2026}
}
备注
first-place method of ReMIND2Reg Learn2Reg MICCAI 2025