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

该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

Sep, 2018

采用深度学习在图像配准中，该方法结合优化与学习方法，在深度网络中使用优化图层来训练预测多尺度密集特征图像，在特征空间中保证了自学习特征的配准最小值和瓦普函数，并具有良好的性能和通用性。

Jun, 2024

图像配准是一种将图像变形以使其与参考空间对齐的过程，以便医学从业者可以在标准化的参考框架中检查各种医学图像，如具有相同的旋转和比例。本文介绍了使用简单的数字示例进行图像配准的过程，并提供了图像配准的定义以及空间定向象征性表示。同时，探讨了不同类型的图像转换，包括仿射、可变形、可逆和双向转换，以及医学图像配准算法，例如 Voxelmorph、Demons、SyN、迭代最近点、SynthMorph。此外，还讨论了基于图谱的配准和多阶段图像配准技术，包括粗细和金字塔方法。此外，该综述论文讨论了医学图像配准分类法、数据集、评估指标（如基于相关性的度量、基于分割的度量、处理时间和模型大小）以及在图像引导手术、运动跟踪和肿瘤诊断方面的应用。最后，该文还探讨了未来研究方向，包括进一步发展变形器。

Sep, 2023

本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式，通过学习与正则化超参数相关的条件特征，论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解，并且所得到的变形场平滑度可以在推理过程中以任意强度已调，大规模脑 MRI 数据集的丰富实验结果表明，该方法可实现对变形场平滑度的精确控制，同时不会牺牲运行时间的优势或配准准确性。

Jun, 2021

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

过去十年来，深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述，包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面，并探讨了这些新技术在医学影像中的实际应用和未来前景。

Jul, 2023

本研究提出了一种新颖、高效的非监督对称图像配准方法，通过在微分同胚映射空间内最大化图像之间的相似度，同时估计正向和反向变换来实现高精度的配准，同时保持所需的微分同胚特性。

Mar, 2020

本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

Jan, 2018

本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

Jul, 2019