基于 T1 加权 MRI 强度随机化的零样本多对比度脑部 MRI 注册 (LUMIR25)
图像与视频处理
2026-02-24 v2 计算机视觉与模式识别
摘要
本文提出了我们对 Learn2Reg 2025 LUMIR25 任务的提交方案，该任务在测试集中总体排名第 1。该任务延续自 LUMIR24，今年的任务聚焦于在域迁移下（如高场 MRI、病理脑组织以及各种 MRI 对比度）进行零样本注册，而训练数据仅包含单域 T1 加权脑部 MRI。我们对 LUMIR24 获胜者进行细致分析，识别出强单模态注册性能的主要贡献因素。我们强调注册特定的归纳偏置的重要性，包括多分辨率金字塔、逆向一致性和群组一致性、拓扑保持或光滑性、以及基于相关性的对应建立。为进一步泛化到多种对比度，我们采用三种简单且有效的策略：(i) 基于模态无关邻域描述符 (MIND) 的多模态损失，(ii) 用于未见对比度增强的强度随机化，以及 (iii) 在推断时对特征编码器进行轻量级实例特定优化 (ISO)。在验证集上，所提方法显著提高了 T1-T2 注册精度，展示了在不依赖显式图像合成的情况下的鲁健跨对比度泛化。这些结果表明，这是迈向可利用单一训练域却保持跨域迁移鲁健性的注册基础模型的实际步骤。
引用
@article{arxiv.2602.06292,
title = {Zero-shot Multi-Contrast Brain MRI Registration by Intensity Randomizing T1-weighted MRI (LUMIR25)},
author = {Hengjie Liu and Yimeng Dou and Di Xu and Xinyi Fu and Dan Ruan and Ke Sheng},
journal= {arXiv preprint arXiv:2602.06292},
year = {2026}
}
备注
Submitted to and reviewed by Learn2Reg MICCAI 2025