实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

Feb, 2024

扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

Sep, 2023

本研究提出了一种新型的混合卷积神经网络，将分割和配准集成到单个过程中，同时应用于白质束的分割，数量为 N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较，证明了其显著更高的准确性、一致性和可再现性，具有用于支持临床和流行病学分析的潜力。

Aug, 2019

本研究研究了个性化神经网络在检测肿瘤进展方面的应用，采用对比增强 T1w 序列的磁共振成像，使用 Wasserstein-GAN 无监督网络架构构建模型，对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估，证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。

Oct, 2022

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

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

在乳腺手术规划中，通过准确地对患者不同位置的磁共振图像进行注册，可以改善乳腺癌治疗中肿瘤的定位。本文提出了适用于乳腺磁共振图像注册的学习策略，克服了乳腺图像中纹理信息不足和变形需要满足微分同胚约束的困难，同时给出了基于模拟和体内实验的早期实验结果。本文的一个关键贡献是提出的注册网络在乳腺图像的注册中产生了优越的结果，并提供了微分同胚保证。

Sep, 2023

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

该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。

Jun, 2021