通过引入一个生成策略来培训图像配准的网络，从而能使网络在不同的 MRI 对比度下精确地适配，在 3D 神经影像方面表现出色，并且不需要依赖于真实的图像数据和解剖标签，其代码可从网址获取。

Apr, 2020

通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。

Sep, 2018

通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。

Feb, 2022

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

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

该研究评估了常规的 SyN ANTs 和基于学习的配准方法在儿童神经影像中的表现，重点关注亚型变形配准，结果发现基于深度学习的方法在 Dice 得分方面略优于 SyN ANTs，但 SyN ANTs 仍然具有鲁棒性和普遍性，不需要大量的训练，强调了在儿科背景下根据特定配准需求选择方法的重要性。

Jun, 2024

本文提出了一种自监督学习的方法，用于在三维医学图像上进行仿射图像配准，并利用丰富的廉价无标注数据集合成数据集训练模型以提高性能。作者的方法可以学习到对图像配准有用的差别特征，并且与传统的图像配准方法相比具有更好的性能和快 100 倍的执行时间。

Oct, 2018

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

本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

Mar, 2022