本文提出求解大变形微分同胚图像配准问题的数值算法，将非刚性图像配准问题形式化为最优控制问题，使用 PDE 约束优化问题，通过在速度场上使用 Tikhonov 正则化技术增加正则化约束，使用 Fourier 和 Chebyshev 伪谱方法进行空间和时间离散化，并通过参数连续方法估计最优正则化参数，提出的牛顿 - Krylov 法与全局化预处理梯度下降相比表现出更好的数值精度和计算效率。

Aug, 2014

这项研究介绍了一种不需要离散化的正则化策略，它在医学图像配准中保留了物理上激励的优势，同时与当前的配准框架兼容，并在合成和真实数据集中表现出与当前最先进方法相当的准确性。

Dec, 2023

通过使用多目标优化方法和双动态网格变换等技术，本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法，并实现了良好的效果。

Feb, 2022

提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

Dec, 2018

本文提出了基于多尺度自适应黎曼优化算法的可微分图像配准，该算法在结构和地标覆盖度量上显示出了令人信服的改进，并在现有算法的基础上加速了 300 倍至 2000 倍。

Apr, 2024

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

本研究介绍了一种基于 3D-3D 非刚性配准的图像引导肝脏手术方法，采用有限元模型 (FEM) 作为生物力学模型，在表面匹配项中独特地整合 FEM，确保估算的变形在配准过程中保持几何一致性。此方法通过将软弹簧整合到刚度矩阵中，允许力分布于整个肝脏表面，消除了确定 FEM 中零边界条件和施加力位置的需求。我们还引入了基于力量梯度的正则化技术，强加了空间平滑性，以防止术中数据中的不规则噪音过拟合。通过加速修正梯度算法进行优化，进一步通过我们提出的确定最佳步长的方法来增强效果。该方法在自定义开发的模拟实验和两个公开数据集上进行了评估和比较，始终优于或与基准技术相当。代码和数据集将公开提供。

Mar, 2024

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

建立可靠的对应关系对于 3D 和 2D3D 对准等任务至关重要。为了解决大变形、尺度不一致和模糊匹配问题所带来的挑战，本文引入了一种用于建立鲁棒对应关系的扩散匹配模型，在双随机矩阵空间内将对应估计视为去噪扩散过程，逐步去噪（细化）双随机匹配矩阵至准确的匹配矩阵，以进行高质量的对应估计。该方法在 3D 和 2D3D 对准任务上的评估验证了其有效性。

Mar, 2024

采用深度学习在图像配准中，该方法结合优化与学习方法，在深度网络中使用优化图层来训练预测多尺度密集特征图像，在特征空间中保证了自学习特征的配准最小值和瓦普函数，并具有良好的性能和通用性。

Jun, 2024