ZeroReg3D：面向3D连续组织病理图像重建的零样本配准管线
计算机视觉与模式识别
2025-07-29 v2
摘要
组织学分析在理解组织结构和病理学方面发挥着关键作用。虽然最近的配准方法在改进2D组织分析方面取得了进展，但它们往往难以保持关键的3D空间关系，限制了其在临床和研究应用中的实用性。具体而言，构建准确的3D模型从2D切片仍然具有挑战性，这涉及组织变形、切片瑕疵、成像技术的差异以及不一致的照明。深度学习基于的配准方法已显示出改进的性能，但存在可泛化性有限和需要大规模训练数据的不足。相比之下，基于非深度学习的方法在可泛化性方面通常更好，但往往在准确性方面受到制约。在本研究中，我们引入了ZeroReg3D，一种专为准确从序列化组织切片重建3D模型而设计的零样本配准管线。通过将基于零样本深度学习的关键点匹配与基于优化的仿射和非刚性配准技术相结合，ZeroReg3D有效地解决了组织变形、切片瑕疵、染色质差异和不一致照明等关键挑战，而无需重新训练或微调。该代码已公开发布于 https://github.com/hrlblab/ZeroReg3D
引用
@article{arxiv.2506.21923,
title = {ZeroReg3D: A Zero-shot Registration Pipeline for 3D Consecutive Histopathology Image Reconstruction},
author = {Juming Xiong and Ruining Deng and Jialin Yue and Siqi Lu and Junlin Guo and Marilyn Lionts and Tianyuan Yao and Can Cui and Junchao Zhu and Chongyu Qu and Mengmeng Yin and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2506.21923},
year = {2025}
}