PatchMorph 是一种新型的随机深度学习算法，用于无监督的三维脑图像配准。与其他方法不同，我们的方法使用了具有恒定小尺寸的紧凑补丁，以得到既能够结合全局变换又能进行局部变形的解决方案。这种方法在训练过程中最小化了 GPU 的内存占用，同时可以在推理过程中处理大量随机重叠的小补丁，从而减轻图像和补丁边界问题。PatchMorph 能够处理两个输入图像之间的世界坐标变换，适应间距、数组大小和方向等属性的变化。补丁的空间分辨率从粗到细，同时处理全局和局部属性，以实现图像对齐所必需的功能。每个补丁都提供了独特的视角，并一起收敛到一个全面的解决方案。对人类 T1 MRI 脑图像和序列 2-photon 层析成像的 marmoset 脑图像的实验证明了 PatchMorph 的出色性能。

Dec, 2023

利用 PANTHER 方法从病理全切片图像中学习表征，在无监督的方式下利用组织中的形态冗余建立了一种无特定任务的滑片表征，通过评估在 13 个数据集上的亚型和生存任务，证明了 PANTHER 在性能和模型可解释性方面的优势。

May, 2024

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

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

该研究介绍了一种创新方法，以肿瘤为核心，针对基于块的图像分析问题，解决了类别不平衡和边界缺陷的困境，提高了医学图像分割的准确性和计算机辅助诊断系统的性能。

Aug, 2023

VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

SwIPE 是一种新颖的方法，利用隐式神经表示来进行医学图像分割，以补充传统方法在空间上的不灵活性，并能够同时实现准确的局部边界划分和整体形状的一致性，具有较少参数的优势和数据效率提高的特点。

Jul, 2023

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

本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。

Nov, 2023

本文提出了 GIRNet，一种通过分割和修复原则 (GIR) 将分割、修复和注册模块同时训练的新颖无监督病理图像注册方法。在多个数据集上的实验结果表明我们的方法能够准确实现病理图像的注册，并在挑战性成像模式下有效地识别病变。我们的无监督方法为高效和经济的病理图像注册提供了有希望的解决方案。

Oct, 2023