该研究提出了一种完全自动的注册方法，基于卷积神经网络，用于将术中获得的 X 光图像与预先获得的三维模型进行对齐，从而降低术中图像中重叠解剖结构对外科医生的心理负担。实验结果表明，该方法在盆腔注册中的平均目标配准误差为 3.79 毫米，在真实的术中 X 光图像中的投影下平均目标配准误差为 9.65 毫米。

Nov, 2023

我们提出了一种新颖的全可微相关驱动网络，使用双分支 CNN-transformer 编码器从图像中提取并分离低频全局特征和高频局部特征，同时采用了基于嵌入信息的相关驱动损失进行特征分解，并使用了学习逼近凸形相似函数的训练策略。在内部数据集上的测试结果表明，我们的方法优于现有的全可微学习注册方法和传统的基于优化的基准线。

Feb, 2024

我们提出了一个基于神经网络和优化算法的 3D 扫描配准框架，可以对实际数据进行高精度的配准，优于现有的同类方法。

Apr, 2020

提出了基于 Projective Spatial Transformer module 的可微分体绘制新方法，适用于医学应用。通过这种方法，可以 end-to-end 训练图像处理和投影模型，以近似与姿势参数相关的图像相似度函数，并通过梯度下降进行有效优化。这是空间变换器第一次用于投影几何，代码将在出版后公开。

Mar, 2020

本文提出了一种无辐射方法的自动注册方案，使用深度神经网络自动解决腰椎融合手术的注册问题，并结合增强现实导航系统提供直观的手术引导。在公开数据集上验证了注册方法并获得较高的注册成功率和精度，在离体手术中也取得了良好的结果，展现了 RGB-D 数据在自动注册方法和增强现实引导中的潜力。

Aug, 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

本研究提出了一种基于自监督的方法，利用强形状先验和二维实例掩模来重建带纹理的三维物体并进行姿态估计，通过可微分渲染和先前预训练的单目深度估计网络推断图像中每个物体的三维位置和网格信息，实验结果表明本方法有效地利用嘈杂的单目深度和可微分渲染来代替昂贵的 3D 地面真值标签或激光雷达信息。

Sep, 2020

该研究开发了一种基于视觉转换的非对称自编码器网络，可以从 2D 的 kV 图像中重建出 3D CT 图像，实现了患者定位精度的提高。

Apr, 2023

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

我们的研究通过解决手术导航中的时间、成本、辐射和工作流整合等关键障碍，提出了一个从少量术中透视 X 光图像生成脊柱三维解剖模型的方法，并通过收集体现真实和虚拟透视 X 光图像的配对数据集，利用迁移学习和风格转移机制提高了深度学习模型在真实术中环境中的准确性，研究成果表明我们的方法在手术规划、导航和机器人技术领域有重要的应用潜力。

Jan, 2024