通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。
Feb, 2022
本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。
Mar, 2022
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
本文提出一种快速且鲁棒的学习算法 C2FViT 用于 3D 医学图像配准，其应用了视觉 Transformer、多分辨率策略和联合仿射非参数配准进行学习，相对于现有的基于 CNN 的仿射配准方法在准确度、鲁棒性和泛化能力上均具优越性，同时保留了基于学习的方法的运行速度优势。
本文提出了一种自监督学习的方法，用于在三维医学图像上进行仿射图像配准，并利用丰富的廉价无标注数据集合成数据集训练模型以提高性能。作者的方法可以学习到对图像配准有用的差别特征，并且与传统的图像配准方法相比具有更好的性能和快 100 倍的执行时间。
Oct, 2018
本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。
Nov, 2020
该研究论文提出了一种新的无监督学习方法，使用卷积神经网络在端到端框架下进行三维医学图像配准，通过三个创新技术组件实现高性能，并且实验证明其在医学图像配准方面优于传统的基于优化的方法。
Feb, 2019
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
通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。
Apr, 2024
本文介绍了一种基于深度学习的快速、稳健、易于使用的工具，用于进行任何脑图像的仿射变换和变形配准，无需预处理，即可完成。我们使用神经影像数据集仔细分析了深度学习方法，发现配准的准确性可以得到保证。同时，我们结合了变形配准和空间标签匹配来实现无需预处理的脑部解剖配准方法。
Jan, 2023