医学图像配准中的深度学习：综述

Dec, 2019

医学图像配准中的深度学习：综述

Deep Learning in Medical Image Registration: A Review

Yabo Fu, Yang Lei, Tonghe Wang, Walter J. Curran, Tian Liu...

TL;DR本文总结使用深度学习技术的医学图像匹配方法，并对这些方法进行了分类、评估和比较。最后，分析了这些方法的未来发展趋势。

Abstract

This paper presents a review of deep learning (DL) based medical image registration methods. We summarized the latest developments and applications of DL-based registration methods in the medical field. These methods were classified into seven categories according to their methods, fun

deep learning medical image registration dl-based methods lung and brain deformable registration benchmark datasets

发现论文，激发创造

医学图像配准中的深度学习：一项调查

本文综述了深度学习在医学图像配准领域的演变历程，总结了该领域内最新的研究挑战和创新，列举了未来的研究方向。

Mar, 2019

医学图像配准中的深度学习调查：新技术、不确定性、评估指标及未来发展

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

Learn2Reg：深度学习时代全面多任务医学图像配准的挑战、数据集和评估

本文描述了 Learn2Reg 挑战赛的数据集，任务，评估方法和结果，以及结果的进一步分析。同时，该研究也揭示出许多提高医学图像配准表现的方法，从而推动了该领域的发展。

Dec, 2021

医学图像配准及其在视网膜图像中的应用：一项综述

医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

Mar, 2024

医学图像分析的深度学习调查

该论文回顾了与医学图像分析相关的主要深度学习概念，并总结了 300 多项协同研究的成果，大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。

Feb, 2017

医学影像配准的深度学习：介绍与调查

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

图像配准度量学习

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

医学图像分析中深度学习的最新进展和临床应用

本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试，强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献，并讨论了未来研究的可能解决方案和技术挑战。

May, 2021

深度学习用于加速和鲁棒的 MRI 重建的综述

深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

Apr, 2024

一种用于非监督仿射和可变形图像配准的深度学习框架

通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。

Sep, 2018