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

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

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

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

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

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

本文研究基于先前的相似度度量方法是否适用于图像配准的问题，探究在多模态 3D 环境下，通过选择基本求和作为度量优化手段是否能够提高 MRI 图像配准的准确性。通过 2 个预先和手术中的胶质母细胞瘤病例，依据神经放射科医生的地标标记，证明了本文提出的优化方法对图像配准精度提升的效果。

Apr, 2023

提出了一种基于无源无监督领域适应的医学图像增强算法（SAME），通过利用测试数据进行适应和优化增强模型，并采用知识蒸馏技术来进行无源无监督领域适应，实验证明了该算法在医学图像增强中的显著性能提升和下游任务的好处。

Dec, 2023

我们提出了一种适应性训练方案，用于无监督的医学图像配准。

Dec, 2023