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

本文介绍了一种名为递归级联网络（recursive cascaded networks）的通用体系结构，可用于可变形图像配准。所提出的体系结构设计简单，可以建立在任何基础网络之上。整个系统是端到端的，并以无监督的方式共同训练。我们在 3D 医学图像上评估了我们的方法，在性能上表现出一致、显著的提高，并且优于最先进的方法。该方法的性能与级联的数量成正比，缺乏极限。

Jul, 2019

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

该论文介绍了一种基于神经网络的点集配准方法 PR-Net，该方法通过学习训练数据集中的点集的形状描述符，预测了点集之间的空间变换，以最优的方式配准点集，具有较强的鲁棒性，并可以应用于非刚性配准，对于新的点集配准，可以直接使用训练好的模型预测所需的变换。

Apr, 2019

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

本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法，实现了多分辨率下空间变换和网络学习的联合优化，并且在注册 3D 结构性脑磁共振（MR）图像方面表现比最先进的图像配准算法更好。

Sep, 2017

使用 HyperMorph 框架，学习线性弹性正则化器的两个弹性参数对空间变形场的影响，从而在测试时间发现适合数据的物理参数。

Nov, 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