图像配准是一种将图像变形以使其与参考空间对齐的过程，以便医学从业者可以在标准化的参考框架中检查各种医学图像，如具有相同的旋转和比例。本文介绍了使用简单的数字示例进行图像配准的过程，并提供了图像配准的定义以及空间定向象征性表示。同时，探讨了不同类型的图像转换，包括仿射、可变形、可逆和双向转换，以及医学图像配准算法，例如 Voxelmorph、Demons、SyN、迭代最近点、SynthMorph。此外，还讨论了基于图谱的配准和多阶段图像配准技术，包括粗细和金字塔方法。此外，该综述论文讨论了医学图像配准分类法、数据集、评估指标（如基于相关性的度量、基于分割的度量、处理时间和模型大小）以及在图像引导手术、运动跟踪和肿瘤诊断方面的应用。最后，该文还探讨了未来研究方向，包括进一步发展变形器。

Sep, 2023

本文综述了深度学习在医学图像配准领域的演变历程，总结了该领域内最新的研究挑战和创新，列举了未来的研究方向。

Mar, 2019

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

Mar, 2024

该论文提出了一种保护隐私的基于图像的定位解决方案 —— 使用三维线云的地图表示替代三维点云，从而确保足够的几何约束以实现可靠和精确的六自由度相机姿态估计。

Mar, 2019

本文描述了 Learn2Reg 挑战赛的数据集，任务，评估方法和结果，以及结果的进一步分析。同时，该研究也揭示出许多提高医学图像配准表现的方法，从而推动了该领域的发展。

Dec, 2021

图像配准是机器视觉中的经典问题，旨在在一般情况下对相同场景的离散图像进行亚像素精度对齐的方法。本文通过考虑与测量和量化相关的基本且理想化的一维图像配准问题，展示了在这种情况下可以进行子区间 / 亚像素推断的程度取决于所讨论函数的复杂性类型、函数与像素大小之间的关系以及可用的不同采样计数观察值的数量。

May, 2024

通过使用相似性衡量方法进行图像配准，识别潜在肿瘤区域并生成软性肿瘤遮罩；然后通过体积保持配准方法，在正常区域与肿瘤区域之间平衡图像相似性和体积保持，实现肿瘤体积的保持。

Sep, 2023

为了解决社交媒体、照片设备的普及，以及人脸识别系统的不断增加所带来的图像隐私问题，我们提出了一种基于未经条件训练的生成模型的潜在空间的图像混淆新方法，该方法能够合成高分辨率、逼真的面部图像，并以满足局部差分隐私的形式进行操作。据我们所知，这是首个满足人的 ε- 差分隐私的图像隐私方法。

Mar, 2021

通过提出一种称为 PriCE 的新型隐私保护与成本效益方法，本研究解决了医学图像处理任务外包到混合云的隐私问题，同时降低了执行时间和成本，提高了用户预算下的输出效用。

May, 2024