在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

Jan, 2024

本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

Jul, 2018

通过融合预操作 CT 和模拟的术中 CBCT，研究了术中图像质量和错位对分割性能的影响，结果显示融合图像能够改善分割性能，即使显著错位的预操作数据也有潜力提高分割性能。

Jun, 2024

本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法，通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

Oct, 2023

通过利用计算机断层扫描（CT）和磁共振成像（MRI）多模态图像的信息特征，我们提出了一种初步的空间对齐算法和弱监督多模态注册网络，有效地实现了不同深度的多模态图像的自动对齐，通过金字塔特征和代价体积来估计光流，并在多种评估指标上证明了该方法在传统体积渲染对齐方法和注册网络方面的优越性，从而证明了我们模型在多模态图像注册中的有效性。

May, 2024

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

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

本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

Dec, 2016

该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。

Jun, 2021

本文提出了一种新颖的无监督注意力插值模型，用于生成计算机断层扫描中连续三重切片之间的中间切片，以改善基于卷积神经网络的计算机断层扫描分割模型在不同切片厚度上的性能降低问题，并且该模型在处理具有较厚切片的数据时，通过创建等各向异性的数据集，显著提高了病变分割的结果。

Aug, 2023