提出一种新颖的方法，可以将一组或序列图像注册到目标图像，产生低秩的注册图像，与目标图像非常相似，并通过实验证据展示该方法在产生低秩群体变形方面的优越性。

Mar, 2024

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

Feb, 2024

本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

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

通过应用一个基于卷积神经网络的分类算法，使用区域心肌应变的病理特征进行全局、区域和分段级别的心肌疾病诊断，并成功在测试集中对 5490 个左心室区段的 98% 进行了心肌疤痕的检测和定位，为解决心肌疤痕的检测问题提供了潜在解决方案。

Mar, 2024

提出了基于鲁棒主成分分析的新型运动校正框架，将定量心脏核磁共振成像分解为低秩和稀疏成分，并在 rPCA 框架内集成了基于组内卷积神经网络的配准骨干。通过实验证明，该方法在提高配准性能和减少定量映射误差方面比基准方法更有效，且该 rPCA 框架具有通用性，可以与其他配准骨干集成。

Nov, 2023

本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

Jun, 2023

磁共振成像（MRI）标记技术在测量组织运动和应变时一直被使用，然而标记褪色现象经常使后期处理变得复杂。本研究的第一项贡献是通过考虑序列成像中的 $T_1$ 弛豫以及射频脉冲的重复应用来建模标记褪色。这是以前在 tMRI 后处理研究中被忽视的因素。另外，我们观察到近期出现了在基于深度学习的注册框架中利用原始标记 MRI 进行运动估计的趋势。通过评估和分析训练 DL 注册的常用图像相似目标对原始 tMRI 的影响，将其与声波相位法进行了比较，声波相位法被认为对标记褪色具有鲁棒性。我们的研究发现，基于原始 tMRI 的各种相似性损失存在局限性，并且在图像强度随时间变化的注册任务中需要谨慎应对。

Jan, 2024

综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

Aug, 2023