UNIVERS: Learning UNIversal Voxel-wise Embedding via Randomized Synthesis for generalizable one-shot landmark localization

📄 arXiv: 2610.29098v1 📥 PDF

作者: Derong Yu, Qingsong Zhao, Yanbing Yue, Yikai Li, Zhi Zhang, Guoyan Zheng

分类: cs.CV, cs.AI

发布日期: 2026-10-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出UNIVERS以解决多模态体积扫描中的一-shot标志物定位问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 一-shot定位 多模态学习 体素嵌入 随机合成 医学影像

📋 核心要点

  1. 现有方法在多模态体积扫描中进行一-shot标志物定位时，面临视场变化和跨模态泛化能力不足的挑战。
  2. UNIVERS通过随机合成多样化伪数据，结合跨域判别体素级对比学习，旨在学习鲁棒的体素级嵌入。
  3. 实验结果显示，UNIVERS在三组肾上腺数据集上超越了现有的一-shot标志物定位方法，特别是在跨模态场景中表现突出。

📝 摘要（中文）

在体积扫描中进行一-shot标志物定位面临着视场（FOV）变化的挑战。现有的自监督学习方法虽然表现良好，但依赖于对同一图像的增强视图进行对比学习，这限制了其在跨模态场景中的泛化能力。因此，本文提出了UNIVERS，一个端到端可训练的框架，通过随机合成学习通用的体素级嵌入。该框架利用从器官形状模板合成的多样化伪数据，并在语义布局、视觉外观、FOV和空间姿态上应用随机化。结合跨域判别体素级对比学习，该策略促使网络忽略特定领域的偏差，学习对成像对比度、分辨率和空间上下文变化具有鲁棒性的特征。实验结果表明，UNIVERS在三组具有挑战性的肾上腺数据集上表现优异，尤其在跨模态场景中相较于现有方法具有显著优势。

🔬 方法详解

问题定义：本文旨在解决在多模态体积扫描中进行一-shot标志物定位的挑战，现有方法依赖于对比学习，限制了其在不同模态间的泛化能力，且训练数据有限。

核心思路：UNIVERS通过随机合成伪数据，结合跨域判别体素级对比学习，设计了一种新的体素级嵌入学习方法，以提高模型在不同成像条件下的鲁棒性。

技术框架：该框架包括伪数据合成模块、随机化处理模块和对比学习模块。伪数据合成模块生成多样化的训练样本，随机化处理模块在多个维度上进行变换，对比学习模块则通过体素级对比学习来优化模型。

关键创新：UNIVERS的主要创新在于其随机合成伪数据的策略，能够有效地消除领域特定的偏差，提升模型在不同模态和条件下的泛化能力，这与现有方法的多阶段迭代训练方式形成鲜明对比。

关键设计：在设计中，采用了多种随机化技术，包括语义布局、视觉外观、视场和空间姿态的随机化，损失函数采用了体素级对比损失，以确保模型学习到的特征具有较强的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，UNIVERS在三组肾上腺数据集上均优于现有的最先进方法，尤其在跨模态场景中，性能提升幅度达到XX%（具体数据未知），显示出其在实际应用中的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括医学影像分析、自动化诊断系统和机器人手术导航等。通过提高一-shot标志物定位的准确性和鲁棒性，UNIVERS能够在临床实践中提供更可靠的支持，未来可能推动相关技术的广泛应用。

📄 摘要（原文）

One-shot landmark localization in volume scans with varying fields of view (FOVs) is challenging. While existing self-supervised learning methods have shown promising performance, they rely on contrastive learning built upon augmented views of the same image, which inherently limits their generalization in cross-modality scenarios. This motivates research on cross-modality embedding learning using paired multi-modality images. However, existing methods suffer from not only limited training data, but also the requirement of multi-stage iterative training. To address these limitations, we propose UNIVERS, an end-to-end trainable framework that learns UNIversal Voxel-wise Embedding via Randomized Synthesis. Our framework leverages diverse pseudo-data synthesized from organ shape templates, with randomization applied to semantic layout, visual appearance, FOV, and spatial pose. Coupled with cross-domain discriminative voxel-wise contrastive learning, this domain randomization strategy forces the network to disregard domain-specific biases and learn features that are robust against variations in imaging contrast, resolution, and spatial context. Consequently, the trained model enables one-shot landmark localization in multi-modality volume scans with arbitrary FOVs. In this study, the efficacy of the proposed method is demonstrated by applying it to the task of localizing the adrenal glands, which are paired, small, and irregular endocrine organs. In particular, comprehensive experiments are conducted on three challenging adrenal gland datasets. The experimental results demonstrate that UNIVERS consistently outperforms the state-of-the-art (SOTA) one-shot landmark localization approaches, with particularly prominent advantages in cross-modality scenarios. The source code is publicly available at https://github.com/Kendra9999/UNIVERS.