Cet article évalue les performances du recalage d'images IRM mammaires à l'aide d'un modèle de base pré-entraîné sur un jeu de données d'images à grande échelle. Contrairement aux études précédentes ciblant des corps rigides ou des structures relativement simples (par exemple, le cerveau, les organes abdominaux), nous nous sommes concentrés sur le recalage d'images de tissu mammaire hautement déformable. À l'aide de cinq encodeurs pré-entraînés (Dino-v2, SAM, MedSAM, SSLSAM et MedCLIP), nous avons effectué un recalage d'images mammaires dans différentes conditions, notamment l'année, la séquence, la modalité et la présence de lésions, et comparé leurs performances. Nos résultats montrent que les algorithmes basés sur un modèle de base, comme SAM, surpassent les algorithmes existants en termes de performances globales d'alignement mammaire, mais peinent à aligner les structures fines du tissu fibreux. De plus, nous avons constaté qu'un pré-entraînement supplémentaire ou un réglage fin avec des images médicales ou mammaires spécifiques n'améliorait pas les performances et, dans certains cas, les réduisait même. Le code est accessible au public.
