使用 HyperMorph 框架，学习线性弹性正则化器的两个弹性参数对空间变形场的影响，从而在测试时间发现适合数据的物理参数。

Nov, 2023

本文提出了一种具有雅可比方程软约束的新型双变量微分同胚图像配准模型，该模型允许局部变形在一个灵活的范围内收缩和扩大，通过优化松弛函数来明确控制变换的雅可比行列式，并采用正则化器来确保松弛函数的平滑性。数值实验表明，所提出的算法收敛性强，正性约束能控制相对体积的范围而不影响配准准确性。此外，相对于其他几种现有的配准模型，该模型在大变形下产生了微分同胚映射并取得了更好的性能。

Aug, 2023

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

本研究介绍了一种基于 3D-3D 非刚性配准的图像引导肝脏手术方法，采用有限元模型 (FEM) 作为生物力学模型，在表面匹配项中独特地整合 FEM，确保估算的变形在配准过程中保持几何一致性。此方法通过将软弹簧整合到刚度矩阵中，允许力分布于整个肝脏表面，消除了确定 FEM 中零边界条件和施加力位置的需求。我们还引入了基于力量梯度的正则化技术，强加了空间平滑性，以防止术中数据中的不规则噪音过拟合。通过加速修正梯度算法进行优化，进一步通过我们提出的确定最佳步长的方法来增强效果。该方法在自定义开发的模拟实验和两个公开数据集上进行了评估和比较，始终优于或与基准技术相当。代码和数据集将公开提供。

Mar, 2024

本文提出求解大变形微分同胚图像配准问题的数值算法，将非刚性图像配准问题形式化为最优控制问题，使用 PDE 约束优化问题，通过在速度场上使用 Tikhonov 正则化技术增加正则化约束，使用 Fourier 和 Chebyshev 伪谱方法进行空间和时间离散化，并通过参数连续方法估计最优正则化参数，提出的牛顿 - Krylov 法与全局化预处理梯度下降相比表现出更好的数值精度和计算效率。

Aug, 2014

通过使用多目标优化方法和双动态网格变换等技术，本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法，并实现了良好的效果。

Feb, 2022

采用递归对齐的方式，使用循环注册神经网络计算每个元素的局部变形，最终的空间对齐由所有局部变形的总和得到；使用该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在用于肺部磁共振图像的实验中，该方法与当前标准的参数化 B 样条配准方法相比，准确性不相上下，但给出了更紧凑的变换表示，并且加速了约 15 倍。

Jun, 2019

在这篇论文中，我们提出了一种新颖的混合注册方法，利用基于线性弹性生物力学的线性化迭代边界重建（LIBR）方法，并使用深度神经网络学习其与真实变形之间的残差（LIBR+）。我们进一步提出了一种双分支样条残差图卷积神经网络（SR-GCN），以吸收稀疏和可变的术中测量信息，并通过 3D 器官的几何结构有效传播。在大型术中肝脏注册数据集上的实验表明，与现有的刚性、基于生物力学模型的非刚性和基于深度学习的非刚性方法相比，LIBR + 在术中肝脏注册中取得了一致的改进。

Mar, 2024

该论文提出了一种基于强化学习方法的医学图像配准框架，引入了新的概念 Plan 来简化高维连续空间的训练过程，并在多个 2D 和 3D 医学影像数据集上进行了测试，结果表明该方法在注册大形变图像上表现优异且超过了同类算法。

Dec, 2021

本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

Nov, 2023