利用语义扩散模型生成高保真度肺部 CT 图像扩充数据集，并在肺结节检测和定位任务中展现了优异性能。

May, 2023

研究利用基于纯卷积神经网络，进行肺部 CT 图像的语义分割，实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。

Mar, 2018

本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

Jul, 2018

本文提出了一种新的深度配准管道，用于自由呼吸的 3D CT 和 2D U/S 肾脏扫描，包括一个特征网络和一个基于 3D-2D CNN 的配准网络，该网络结构和训练策略通过降低语义差距等手段解决了 3D CT-2D U/S 肾脏配准时的困难。

May, 2023

通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。

Jan, 2024

本文提出了一种新型的级联框架 —— 深度变形网络（DDN），用于定位非刚性物体中的标志物。DDN 能够在卷积神经网络（CNN）框架中融合几何约束，同时具有训练的简易和效率以及应用的广泛性。

May, 2016

本文旨在创建一个深度学习框架，能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场（DVF）。该方法以可微分形变为基础，利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动，并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络（CNN）中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时，采用变形 MRI 和 CT 图像之间的模态无关邻域描述符（MIND）。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差（TRE）、Dice 相似系数（DSC）和平均表面距离（MSD）方面进行评估。与仅刚性配准相比，采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763，肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm，TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式，可用于目前的肝脏放射治疗计划流程。

May, 2024

使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

Oct, 2023

提出了一种应对图像在几何失真时的成像任务的框架 —— 变形不变神经网络（DINN），该框架利用拟保角变换器网络（QCTN）将几何失真的图像转换为更接近自然或良好图像分布的改进版本，并在图像分类和图像恢复中取得了较好的性能。

Oct, 2023

采用基于深度学习的算法进行心脏磁共振成像视频的运动和变形分析对于评估心功能异常的患者的心肌应变至关重要。本文介绍了一种新颖的潜在运动扩散模型（LaMoD），通过从标准心脏磁共振视频中提取的潜在运动特征，利用概率性潜在扩散模型重构准确的运动，从而显著提高了标准心脏磁共振图像中运动分析的准确性，从而改进了临床环境中心脏患者的心肌应变分析。

Jul, 2024