提升医学图像配准基础模型的泛化能力

本研究针对医学图像配准中的传统方法在计算效率上的局限性，以及深度学习方法在不同数据集和任务下缺乏灵活性的问题进行探索。通过将Sharpness-Aware Minimization（SAM）引入基础模型中，本研究显著增强了模型在不同数据分布中的稳定性和在复杂临床情境下的适应能力，从而实现了交叉数据集配准性能的显著提升，为医学图像配准技术的发展提供了新的启示。