本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法，通过设计一个深度编码器 - 解码器网络来学习图像外观与图像配准参数之间的像素 / 体素映射，特别针对 LDDMM，通过预测 LDDMM 动量参数化，使计算时间大幅减少。同时，我们创建了贝叶斯概率版本的网络，允许在测试时间使用 dropout 的蒙特卡罗采样来评估变形场的不确定性。

Jul, 2016

本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

Feb, 2018

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

本文提出了一种使用简单的迭代方案和基于 Nesterov 梯度下降和多重乘法交替方向法的快速算法解决难以处理的大形变的非静止速度场，同时利用 GPU 加速实现加速 ADMM 求解器，优于基于深度学习的和迭代 DiffIR 方法，并在精度方面取得了更好的表现。

Sep, 2021

本文介绍了一种基于深度学习框架的三维医学图像配准方法，结合仿射配准和向量动量参数固定速度场（vSVF）模型，具有速度快、精度高、可对称变换等特点，在磁共振成像方面表现出了优异的性能。

Mar, 2019

本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

Nov, 2023

本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

May, 2018

VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

本文提出了 DeepFLASH，这是一个新颖的网络，具有高效的训练和推理能力，可用于学习医学图像配准。我们在低维带限空间中开发了一种新的配准网络，与现有方法相比，这种方法可以大大降低昂贵的训练和推理的计算成本和内存占用。

Apr, 2020