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

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

利用傅立叶网络替代资源密集型的 U-Net 风格扩张路径，我们提出了 Fourier-Net，通过学习位于有限带宽傅立叶域中的位移场的低维表示，然后通过模型驱动的解码器将其转换为空间域中的全分辨率位移场，达到减少计算成本、提高注册性能的效果。

Jul, 2023

本文提出 Fourier-Net 网络，使用参数自由的基于模型的解码器代替 U-Net 风格网络的扩张路径。将低维度表示在带限傅里叶域中进行学习，最后由模型驱动的解码器解码为完整的空间域中的密集位移场。与现有方法相比，我们的 Fourier-Net 网络具有更少的参数和更快的推理速度，在公共 3D 脑数据集上实现了更高的 Dice 得分和更快的推理速度。

Nov, 2022

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

通过提出一种名为 RIIR 的新型图像注册方法，该方法将深度学习技术应用于医学图像注册中，提高了注册准确性和数据利用效率。

Jun, 2024

提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法，该方法通过近似最小卷积和平均场推断进行可微位移正则化，在少量标记的扫描中可实现较高准确度。

Jul, 2019

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

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