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

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

通过结合多个部分注释数据集，我们提出了一种方法将互补注释合并到一个模型中，实现更好的场景分割和使用多个可用数据集。我们的方法成功地将 6 个类别组合成一个模型，与单独训练在各个类别上的模型集合相比，总体 Dice 分数提高了 4.4%。通过包含多个类别的信息，我们成功将胃和结肠之间的混淆减少了 24%。结果证明了在多个数据集上进行模型训练的可行性，为未来进一步减少对一个大型完全分割数据集的需求铺平了道路。

Feb, 2024

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

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

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 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

本文提出了一种基于深度学习的心脏 MR 图像序列的联合运动估计和分割方法，该方法包括一个基于无监督 Siamese 风格循环空间变换网络的运动估计分支和一个基于全卷积网络的心脏分割分支。实验结果表明，联合学习两个任务是互补的，并且所提出的模型在准确性和速度方面明显优于竞争方法。

Jun, 2018

该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

May, 2017