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

这项研究介绍了一种不需要离散化的正则化策略，它在医学图像配准中保留了物理上激励的优势，同时与当前的配准框架兼容，并在合成和真实数据集中表现出与当前最先进方法相当的准确性。

Dec, 2023

本文旨在创建一个深度学习框架，能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场（DVF）。该方法以可微分形变为基础，利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动，并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络（CNN）中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时，采用变形 MRI 和 CT 图像之间的模态无关邻域描述符（MIND）。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差（TRE）、Dice 相似系数（DSC）和平均表面距离（MSD）方面进行评估。与仅刚性配准相比，采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763，肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm，TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式，可用于目前的肝脏放射治疗计划流程。

May, 2024

通过非刚性点云匹配的学习，解决了手术工具操作引起的大变形时跟踪误差的问题，提出了一种手术感知框架（SuPerPM），该框架利用学习模型进行数据关联，适应更大的变形，并在多个具有大变形特征的手术数据集上展示了优越的性能，超越了现有的手术场景跟踪算法。

Sep, 2023

这篇论文提出了一种基于分区的表面注册方法，用于 3D 可变模型（3DMM）。该方法利用关键点将模板模型进行分区，然后对每个部分进行缩放，最后平滑边界。实验结果表明，该方法在解决模板模型与目标模型之间巨大差异时表现较好，且对局部极小值具有鲁棒性。

Jan, 2024

该研究提出了使用对抗学习的方法，在代替传统的位移平滑测量方法的同时，利用生物力学模拟来规范弱监督的标签驱动的图像配准网络，以配准前期磁共振成像（MRI）和三维术中经直肠超声成像（TRUS）。研究表明，该方法可以帮助预测具有物理合理性的变形，而不需要用到其他平滑度惩罚。

May, 2018

在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

Jan, 2024

本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

Jun, 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

本文提出将表面匹配问题转化为最优控制问题，使用人工神经网络进行求解，以解决非线性可变形物体的局部表面匹配问题，并提高了计算速度和匹配精度。

Mar, 2023