该论文提出了一种多智能体系统和自注意力机制相结合的方法，将2D / 3D图像配准作为马尔可夫决策过程来解决，通过多个基于全卷积网络的智能体的提案及对应置信度的加权来取得了超过基于单智能体和基于优化方法的最新技术的优异成果。

Nov, 2017

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

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

本文提出了一种基于深度学习的框架(COSPI)解决2D/3D图像配准问题，包括参数初始化模块和细微注册网络，使用多尺度特征提取和特殊的训练技术，论文实验证明COSPI方法在精度和运行时间方面优于现有的学习和优化方法，具有很好的初始姿态估计潜力。

May, 2023

本研究提出了一种非迭代粗到精变换网络 (NICE-Trans) 用于图像配准，它是第一种在单个网络中执行联合仿射和可变形的粗到精变换的深度配准方法，并将 Transformer 嵌入到 NICE 配准框架中以建模图像之间的远程相关性。通过与七个公共数据集的广泛实验表明，我们的 NICE-Trans 在配准精度和运行时间上优于现有的配准方法。

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

通过2D/3D图像配准，利用不依赖手动标注数据的自监督方法和可微分物理渲染，实现了精确的手术决策，提高了手术速度，并超越了有监督基线模型。

Dec, 2023

本研究提出了基于多窗口感知的MLP网络（CorrMLP）用于可变形医学图像配准，通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系，进行多范围感知的粗到细配准，实验证明CorrMLP优于最先进的可变形配准方法。

May, 2024

使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于Transformer方法相当甚至稍好的性能。

Jun, 2024