VoxelMorph是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

Self-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.

Dec, 2020

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

本研究提出了一种新的自我监督学习框架——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了3D医学图像分割下的性能表现，超过之前的同类方法。

Feb, 2023

SAM++是一个能够在医学图像中学习外观和语义嵌入的框架，其固定点匹配机制能够克服原来方法中的一些限制，并取得了比现有方法更好的结果。

Jun, 2023

为了解决不同FOV的图像对齐问题，本文提出了一种名为Cross-SAM的新方法，该方法利用嵌入学习和CT-MRI注册的迭代过程，以实现跨模态匹配，并在CT-MRI仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

Jul, 2023

提出了一种快速的粗到细的离散优化方法SAMConvex，用于CT注册，包括根据捕捉局部和全局信息的自监督解剖嵌入器（SAM）特征提取器通过解耦凸优化过程获取变形场。SAMConvex在两个患者间注册数据集（腹部CT和头颈CT）和一个患者内注册数据集（肺部CT）上优于现有的基于学习和优化的方法。此外，作为一种基于优化的方法，SAMConvex仅需要大约2秒（使用实例优化约5秒）处理一对图像。

Jul, 2023

通过近似现有指标与小型卷积神经网络的特征空间中的点积，我们提出了一个通用框架，用于创建具有表达性的跨模态描述符，从而实现了快速可变形全局注册。我们的方法比基于局部图像块的指标快几个数量级，并且可以直接应用于临床环境中，只需用所提出的指标替换相似度测量。实验表明，我们的方法在训练数据之外也具有很好的泛化性，即使在未知的解剖学和模态组合上也有着广泛的适应能力，无需进行专门的重新训练。我们公开了我们的训练代码和数据。

Jul, 2023

基于自我监督解剖嵌入（SAM）的SAMv2是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。

Nov, 2023

本研究针对现有解剖位置嵌入模型在效率上的不足，提出了一种自监督模型，能够高效生成3D解剖位置嵌入（APE），编码医学图像中体素的解剖相似性。实验表明，该方法在解剖标志物检索和弱监督少样本定位中表现优越，且在处理CT图像时提升了分割效率和细节保留。

Sep, 2024