uniGradICON: A Foundation Model for Medical Image Registration

传统的医学图像配准方法直接优化变换模型的参数。这些方法已经非常成功，并且通常用于不同解剖区域的配准。最近的深度配准网络非常快速和准确，但只针对特定任务进行训练。因此，它们不再是通用的配准方法。因此，我们提出了uniGradICON，这是建立配准基础模型的第一步，提供了以下特性：1）在多个数据集上表现出色，这对于当前的基于学习的配准方法来说是不可行的；2）适用于不同的采集、解剖区域和模态的新配准任务的零样本能力，与训练数据集相比；3）对于分布外的配准任务，提供了强大的初始化微调。uniGradICON将基于学习的配准算法的速度和准确性优势与传统的非深度学习方法的通用适用性相结合。我们在12个不同的公共数据集上进行了广泛的训练和评估。我们的代码和uniGradICON模型可在https://github.com/uncbiag/uniGradICON上获得。

论文旨在提出一种新的医学图像配准方法，解决当前深度学习方法只适用于特定任务的问题，同时提高传统方法的适用性和性能。

论文提出了uniGradICON方法，将深度学习和传统方法相结合，通过学习图像特征来进行配准，同时保留了传统方法的通用性，使得该方法可以适用于不同的数据集、解剖部位和模态。

论文使用12个公共数据集对uniGradICON进行了广泛的训练和评估，并在速度和准确性方面都取得了优异的表现。该方法具有零样本学习能力，可用于不同的配准任务，同时可作为其他任务的强初始化。论文代码和模型已经开源。

近期相关研究包括深度学习方法和传统方法在医学图像配准中的应用，例如：DeepReg、VoxelMorph和ANTS等。