该研究论文提出了一种用于无监督医学图像配准的异方差不确定性估计框架，通过建模异方差噪声并采用自适应加权方案与相对 γ 指数化信噪比 (SNR) 结合的位移估计器，提高了位移估计的准确性，并在定量和定性上优于其他基准方法。

Dec, 2023

本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

Feb, 2018

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

该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet，该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准，通过在脊柱 CT 图像上进行广泛的实验，已经取得了比现有方法更好的结果。

Aug, 2022

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

Feb, 2024

该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。通过对心脏、脑部和腹部医学图像四个数据集的广泛实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

Jan, 2024

该论文介绍了一种受无监督聚类分析启发的新型非刚性点集配准方法，通过聚类中心和聚类成员分别将源点集和目标点集表述为一个整体框架，并采用带有 Ι₁- 诱导 Laplacian 核的 Tikhonov 正则化来确保平滑而更强健的位移场，在保证封闭形式解、理论保证、与维度无关以及处理大形变的能力的同时，引入了改进的聚类 Nyström 方法来有效减少计算复杂度和 Gram 矩阵的存储，同时为低秩逼近提供了严格的界限。我们的方法在各种场景中实现了高精度的结果，并在具有显著形变的形状上明显超过竞争对手，在形状转换和医学配准等具有挑战性的任务中展现了方法的多功能性。

Jun, 2024

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

通过无监督学习的方法探索语义对应关系估计。我们评估了几种最近提出的无监督方法，并在多个具有挑战性的数据集上使用标准化的评估协议进行全面评估。我们引入了一个新的诊断框架和一个更适合语义匹配任务的性能指标，并介绍了一种新的无监督的对应方法，其利用了预训练特征的强度，同时在训练期间鼓励更好的匹配。与当前最先进的方法相比，这导致了显着更好的匹配性能。

Jul, 2022