胸腔软骨超声 - CT 配准基于密集骨架图
通过基于骨骼图的非刚性配准方法，利用皮下骨表面特征代替皮肤表面实现自动化超声波（US）扫描，为解决常规 US 检查中的人为误差提供了可能，验证结果表明其能有效适应不同患者间的差异。
May, 2023
通过使用神经网络实现软骨骨分割和基于骨骼图的非刚性配准方法，能够精确地将 CT 通路映射到个体患者上，提高内脏器官的可视性。
Jun, 2024
该研究提出了一种基于视觉的方法，允许自主的机器人超声波肢体扫描，使用 MRI 图像的基准分析血管结构生成扫描轨迹，并利用神经网络对连续的超声帧进行空间连续性的分析以实现精确的血管结构重建及测量。
Aug, 2022
通过点云概率深度学习方法对被遮挡的解剖结构进行 3D 形状完整性补全，并应用于基于超声波的脊柱检查，结果表明该方法在合成数据和实际患者数据上表现一致，保留了重要解剖标志和正确位置的关键注射点。
Apr, 2024
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
本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。
Mar, 2024
本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。
Jun, 2023
提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。
Feb, 2024
通过超声帧到体积的实时融合，基于术中 2D 图像和术前 3D 体积，提供了一个全面的心脏介入手术指导视图。然而，由于心脏超声图像在信噪比低、相邻帧之间差异小，以及 2D 帧和 3D 体积之间尺寸变化显著，因此实现实时准确的心脏超声帧到体积的配准是一项非常具有挑战性的任务。本文提出了一种轻量级的端到端心脏超声帧到体积配准网络，称为 CU-Reg。具体而言，该模型利用心外膜引导的解剖线索来加强 2D 稀疏和 3D 密集特征的交互作用，然后通过体素级的局部全局特征汇聚增强特征，从而提高低质量超声模态的跨维度匹配效果。我们进一步在混合监督学习中嵌入了帧间判别性正则化项，以增加同一超声体积中相邻切片之间的区别，确保配准的稳定性。在重新处理的 CAMUS 数据集上的实验结果表明，我们的 CU-Reg 在配准精度和效率方面超过了现有方法，满足了临床心脏介入手术的指导要求。
Jun, 2024