本研究提出了 ERNet 方法来解决神经影像数据中的无监督集成的脑区提取和配准问题，该方法通过一对多级脑区提取和配准模块学习提取掩模和变换，实现迭代提取准确性并成功匹配至目标影像。实验结果表明，ERNet 可以有效地提高神经影像数据处理中的脑区提取和配准任务的性能。

Dec, 2022

本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

Apr, 2019

本研究提出了一种基于深度学习的神经映像配准框架 NeurReg，其具有位移场和数据相似性的混合损失，经过广泛实验验证表明可以快速并精确地执行图像配准和分割，可大大加快相关医学图像分析任务。

Oct, 2019

本文提出了一种基于端到端 3D 卷积神经网络的多任务学习系统 JSSR，用于医学图像的多模态图像配准、分割和合成，该方法能够有效捕获高级语义密集对应，优于市场上已有的相关方法。

May, 2020

基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

Jul, 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

本研究提出了一种新的自动化方法来有效进行组织学和 MRI 之间的多模式图像配准，通过对图像进行级线表示以达到对比度不变性，并通过提取切线获得的形状元素进行投影不变性编码，以识别两幅图像之间的公共曲线段

Aug, 2017

通过模板训练方法，使用一种人口平均脑 MRI 模板和相关分割标签，从头开始训练 3D U-Net 模型，在视觉感知增强和减轻过拟合的基础上，实现对鼠、大鼠、印度狨猴、恒河猴和人类脑 MRI 进行头骨去除、脑分割和组织概率映射等分割任务的训练，有效解决数据有限的问题，扩展深度学习在图像分析中的应用，为研究人员提供了仅需一张图像样本即可训练深度神经网络的统一解决方案。

Aug, 2023

通过图像对齐的样式转换，将双模型迭代学习强化以实现强大的大脑组织一次分割，并保证空间对应关系的正确性

Nov, 2022

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