使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

Oct, 2023

本文介绍了一种基于深度学习的快速、稳健、易于使用的工具，用于进行任何脑图像的仿射变换和变形配准，无需预处理，即可完成。我们使用神经影像数据集仔细分析了深度学习方法，发现配准的准确性可以得到保证。同时，我们结合了变形配准和空间标签匹配来实现无需预处理的脑部解剖配准方法。

Jan, 2023

本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和分割任务中表现出色。

Jul, 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

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

通过引入一个生成策略来培训图像配准的网络，从而能使网络在不同的 MRI 对比度下精确地适配，在 3D 神经影像方面表现出色，并且不需要依赖于真实的图像数据和解剖标签，其代码可从网址获取。

Apr, 2020

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

基于多模态医学图像分析研究和图像引导放疗，本文提出了一种自主模态结构表示学习方法，利用深度邻域自相似性和解剖感知对比学习，以学习具有辨别性和对比不变性的深度结构图像表示，无需解剖规划或预先对齐训练图像，通过对多相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 进行评估，全面结果表明，相对于传统的局部结构表示和基于统计的相似性度量，所提出的方法在辨别性和准确性上更出色。

Feb, 2024

本文提出了一种基于无监督深度学习的多模态图像配准方法，该方法利用图像梯度幅度来作为辅助信息，通过三种不同的损失函数比较证明该方法能提升多模态配准的准确性且运行时间不受影响。

Feb, 2022