为何注册质量至关重要：基于 IMPACT 的 sCT 合成增强
计算机视觉与模式识别
2025-10-27 v1
摘要
我们参与了 SynthRAD2025 挑战（任务 1 和 2），采用统一的管线实现从 MRI 和 CBCT 生成合成 CT (sCT)。我们的模型是带有 ResNet-34 编码器的 2.5D U-Net++，在解剖区域上联合训练并针对每个区域进行微调。损失函数将像素级 L1 损失与 IMPACT-Synth 结合使用，后者从 SAM 和 TotalSegmentator 派生，旨在增强结构保真度。训练使用 AdamW（初始学习率为 0.001，每 25k 步减半）在基于 patch 的、已归一化的、body-masked 输入上进行（MRI 为 320x320，CBCT 为 256x256），仅使用随机翻转作为数据增强。未应用后处理。最终预测利用测试时数据增强和五折集成。根据验证 MAE 选择最佳模型。评估了两种注册策略：(i) 使用互信息的 Elastix，符合挑战管线；(ii) 基于 IMPACT 的方法，利用预训练分割网络的特征相似度度量。在本地测试集上，IMPACT 基于注册的方法实现了更准确且解剖结构更一致的配准，导致 sCT 合成改善，MAE 更低，解剖结构更真实。在公共验证集上，使用 Elastix 对齐数据训练的模型得分更高，这反映了一种偏向与评估管线一致的配准策略的注册偏差。这一发现表明，注册误差会传播到监督学习中，影响训练和评估，甚至以牺牲解剖保真度为代价来人为提升性能指标。通过促进解剖一致的配准，IMPACT 有助于缓解这种偏差，并支持开发更稳健和更通用的 sCT 合成模型。
引用
@article{arxiv.2510.21358,
title = {Why Registration Quality Matters: Enhancing sCT Synthesis with IMPACT-Based Registration},
author = {Valentin Boussot and Cédric Hémon and Jean-Claude Nunes and Jean-Louis Dillenseger},
journal= {arXiv preprint arXiv:2510.21358},
year = {2025}
}
备注
Paper for the SynthRAD2025 challenge, Team BreizhCT