arXiv cs.AI· Yue Lin, Shenghai Wu, Mingyuan Meng·· 11 小时前AI 评分18
M2CG：无需递归的单次医学图像配准，多级多空间上下文引导
Really Need Recursion? Revisiting One-pass Registration with Multi-level Multi-space Contextual Guidance
AI 导读
研究提出 M2CG，一个单次迭代完成配准的网络，通过多级多空间上下文引导实现渐进式金字塔配准，挑战了高性能可变形配准必须依赖递归的假设。该方法在每一步利用前、当前、后续三个层级以及图像、图像特征、分割、分割特征四个空间的上下文线索，支持无监督与半监督配准。在八个公开数据集的两类患者间/患者内配准任务上达到 SOTA，论文被 MICCAI 2026 接收。
正文 · AI 翻译
摘要：可变形图像配准是医学图像分析中的一项基本挑战。近期基于深度学习的方法通常采用一次性架构，即在单次网络迭代中完成配准，或采用递归架构，通过多次迭代来精化配准。虽然递归方法通常能提高精度，但会带来大量计算开销和更慢的推理速度。本文对高性能可变形配准中递归的必要性提出质疑，并提出 M2CG，一种具有多层级多空间上下文引导的一次性配准网络。它在单次迭代内执行多步渐进金字塔配准，每一步都由来自三个层级（前一步、当前步和后续步）和四个空间（图像空间、图像特征空间、分割空间和分割特征空间）的上下文线索引导。我们的 M2CG 同时支持无监督（不使用任何标签）和半监督（对部分训练数据使用分割标签）配准，并在八个公开数据集上的两项基准良好的患者间/患者内医学配准任务中取得了最先进的性能。我们的发现表明，当前对递归的依赖可能源于缺乏足够的上下文线索，这些线索能够全面刻画与目标对齐之间的剩余距离。
| 评论： | 已被 MICCAI 2026 接收 |
| 主题： | 图像与视频处理（eess.IV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.22423 [eess.IV] |
| （或 arXiv:2610.22423v1 [eess.IV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22423 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | Medical Image Computing and Computer Assisted Intervention -- MICCAI 2026, Lecture Notes in Computer Science, vol. 16889, pp. 279-289, Springer (2027) |
| 相关 DOI： | https://doi.org/10.1007/978-3-032-38186-6_27
链接到相关资源的 DOI |
提交历史
来自：Yue Lin [查看邮箱]
[v1]
2026年10月15日星期四 03:15:55 UTC（2,787 KB）
来源：arXiv cs.AI · arxiv.org