本文旨在创建一个深度学习框架，能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场（DVF）。该方法以可微分形变为基础，利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动，并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络（CNN）中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时，采用变形 MRI 和 CT 图像之间的模态无关邻域描述符（MIND）。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差（TRE）、Dice 相似系数（DSC）和平均表面距离（MSD）方面进行评估。与仅刚性配准相比，采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763，肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm，TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式，可用于目前的肝脏放射治疗计划流程。

May, 2024

采用参数化的三维高斯控制点的变形图像配准方法，在计算效率、配准精度和速度之间取得了更好的平衡，通过局部插值转换，实现了对三维体积医学图像之间的空间变形场进行明确灵活的表示，进而在后向传播的统一优化过程中迭代学习了三维高斯和其变换的参数，取得了在精度和效率方面的显著进展。

Jun, 2024

本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

Apr, 2017

基于多模态医学图像分析研究和图像引导放疗，本文提出了一种自主模态结构表示学习方法，利用深度邻域自相似性和解剖感知对比学习，以学习具有辨别性和对比不变性的深度结构图像表示，无需解剖规划或预先对齐训练图像，通过对多相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 进行评估，全面结果表明，相对于传统的局部结构表示和基于统计的相似性度量，所提出的方法在辨别性和准确性上更出色。

Feb, 2024

该研究提出了使用对抗学习的方法，在代替传统的位移平滑测量方法的同时，利用生物力学模拟来规范弱监督的标签驱动的图像配准网络，以配准前期磁共振成像（MRI）和三维术中经直肠超声成像（TRUS）。研究表明，该方法可以帮助预测具有物理合理性的变形，而不需要用到其他平滑度惩罚。

May, 2018

基于隐式神经表示的连续时空图像变形 (Continuous-sPatial-Temporal DIR，CPT-DIR) 方法显著提高了图像配准的准确性、自动化和速度，特别是在具有挑战性的区域，优于传统的 B 样条方法。

May, 2024

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

提出一种新颖的基于翻译的无监督可变形图像配准方法，该方法利用双流方式调节变形场以实现更好的配准性能，并使用计算效率高的相似度度量对多模态配准网络进行有效训练，并在两个临床数据集上验证了其优越性能。

Jul, 2020

通过将最近提出的多目标神经网络训练方法与深度神经网络相结合，本文填补了多目标深度学习变形图像配准的研究空白，并通过对盆腔磁共振成像扫描的配准实验，实验表明多目标深度学习变形图像配准方法相比于提供单一配准结果，在临床使用角度具有更多的优点，能够提供多个在不同目标权衡条件下的注册结果。实验还表明，相比于使用多个神经网络进行训练，从可能取值网格中抽样每个目标的权重，所提出的多目标深度学习变形图像配准方法能够在整个权衡前沿获得更好分布的配准结果。

Feb, 2024

本文提出了三种改进 Voxelmorph 方法的方式，包括使用多尺度 UNet 集成模型、引入 SCGNet 对给定的成对图像进行模型构建和改进模型来使形变逆一致。将提出的方法应用于 MRI 脑注册任务中，得到了比 ANT 和 VoxelMorph 更好的结果。

Mar, 2022