本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

Apr, 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

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

本文提出了一种基于深度学习技术的多任务网络，将配准和分割任务相结合，并在适应性放射治疗中进行评估和测试，结果表明该方法在配准和分割任务上具有优异性能和推理速度，为放疗的重构和再造提供了有希望的候选方案。

Apr, 2020

本研究提出了一种基于深度学习的神经映像配准框架 NeurReg，其具有位移场和数据相似性的混合损失，经过广泛实验验证表明可以快速并精确地执行图像配准和分割，可大大加快相关医学图像分析任务。

Oct, 2019

本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

Jun, 2023

本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

Oct, 2016

本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和分割任务中表现出色。

Jul, 2023

提出一种基于深度学习方法直接从扩散 MRI 数据中分割出大脑白质道的新方法，克服了现有方法因中间计算所带来的误差，并且相较于现有技术，该方法具有更好的泛化能力并可用于多种临床和研究应用。

Jul, 2023

基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

Jul, 2023