磁共振成像（MRI）的临床决策制定结合了多个 MRI 序列（定义为 “模态”）的补充信息。MRI 图像配准旨在几何地 “匹配” 来自不同模态、时间点和切片的诊断。无监督的多模态和多器官图像配准深度学习方法中，我们将基于 Grad-CAM 的可解释性框架纳入每个主要组成部分。我们的 DL 模型变得完全可解释，为将我们的方法推广到进一步的医学成像数据奠定了框架。

Aug, 2023

本文提出了一种基于无监督深度学习的多模态图像配准方法，该方法利用图像梯度幅度来作为辅助信息，通过三种不同的损失函数比较证明该方法能提升多模态配准的准确性且运行时间不受影响。

Feb, 2022

该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

Sep, 2018

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

提出一种新颖的基于翻译的无监督可变形图像配准方法，该方法利用双流方式调节变形场以实现更好的配准性能，并使用计算效率高的相似度度量对多模态配准网络进行有效训练，并在两个临床数据集上验证了其优越性能。

Jul, 2020

利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

Nov, 2023

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

通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

Apr, 2024

本研究提出一种利用图像到图像翻译网络训练形态转换网络的多模态配准方法，通过单模态指标对图像进行训练，无需对齐模态对即可进行训练，适用于多种模态，实验结果表明该方法高度准确。

Mar, 2020

本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

Jul, 2019