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

本研究提出了一种新型的混合卷积神经网络，将分割和配准集成到单个过程中，同时应用于白质束的分割，数量为 N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较，证明了其显著更高的准确性、一致性和可再现性，具有用于支持临床和流行病学分析的潜力。

Aug, 2019

本文提出了一种基于端到端 3D 卷积神经网络的多任务学习系统 JSSR，用于医学图像的多模态图像配准、分割和合成，该方法能够有效捕获高级语义密集对应，优于市场上已有的相关方法。

May, 2020

本文针对多任务卷积网络中已存在的枚举多种网络架构的不足，提出了一种新的可端到端训练的共享单元：“十字绣” 单元，通过这种单元可以学习到共享和任务特定的最佳组合方式，在多任务中通用且表现远远优于基线方法。

Apr, 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

通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

Feb, 2024

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

为了精确地识别不同患者器官分割之间的相应点以应用于放射治疗，本研究旨在开发一个模型。通过使用头颈部器官分割的 CT 扫描训练了一个在 3D 形状中同时进行对应和插值估计的模型。通过两种方法扩展了原始模型，其中一种是直接从图像补丁中提取特征，另一种是将补丁之间的均方误差作为损失函数的一部分。使用地形误差、卡迈尔距离、共形畸变度量以及解剖标志点之间的距离评估了对应和插值性能。每个模型相较于基线的非刚性配准方法都产生了更好的对应结果，原始模型与直接包含图像特征的模型表现相似。最佳性能的模型配置将图像信息作为损失函数的一部分，产生了更符合解剖学的对应结果。我们将使用最佳性能的模型来识别器官上相应的解剖点，以改进空间归一化，这是结果建模的重要步骤，或作为解剖信息注册的初始化。我们的所有代码都公开在此 https URL。

Sep, 2023

本文提出了一种新的深度互补联合模型 (DeepRS) 用于处理复杂场景下的医学图像配准和少样本分割问题，包含扰动因子、像素辨别器、基于分割模型的区域约束等设计来增强模型性能。在 CT 数据集上的实验表明该模型在医学图像处理领域中具有优异的性能表现。

Aug, 2020