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

本文介绍了一种基于深度学习框架的三维医学图像配准方法，结合仿射配准和向量动量参数固定速度场（vSVF）模型，具有速度快、精度高、可对称变换等特点，在磁共振成像方面表现出了优异的性能。

Mar, 2019

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

本文介绍了一种基于深度学习的快速、稳健、易于使用的工具，用于进行任何脑图像的仿射变换和变形配准，无需预处理，即可完成。我们使用神经影像数据集仔细分析了深度学习方法，发现配准的准确性可以得到保证。同时，我们结合了变形配准和空间标签匹配来实现无需预处理的脑部解剖配准方法。

Jan, 2023

本文提出一种快速且鲁棒的学习算法 C2FViT 用于 3D 医学图像配准，其应用了视觉 Transformer、多分辨率策略和联合仿射非参数配准进行学习，相对于现有的基于 CNN 的仿射配准方法在准确度、鲁棒性和泛化能力上均具优越性，同时保留了基于学习的方法的运行速度优势。

Mar, 2022

我们提出了 Atlas-ISTN 框架，它可以共同学习 2D 和 3D 图像数据的分割和配准，并在过程中构建以人口为基础的地图集。Atlas-ISTN 还优于分割和注册基线模型，提供了结构的跨主体对应性，实现了人口级的形状和运动分析。

Dec, 2020

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

本研究提出了一种利用非线性扩散张量配准和深度学习模型以及生物标志物密度图等多维数据来估计磁共振扩散成像技术（dMRI）生物标记的框架；其中，将深度学习和生物标志的统计映射相结合，被证明取得了比传统方法更高的精度。

May, 2022

该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet，该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准，通过在脊柱 CT 图像上进行广泛的实验，已经取得了比现有方法更好的结果。

Aug, 2022