通过使用变形群组式注册方法和局部低秩差异度量，提出了一种能更准确估计心肌应变的 CMR-FT 方法，特别适用于心脏功能的临床评估中。

Nov, 2023

本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

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

提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

Dec, 2018

通过使用图像配准算法研究了人工智能诊断算法的影响，发现虽然图像配准显著提高了病变对齐效果，但直接导致诊断准确性的显著提升仍未能得到证实。定性分析表明，同时开发图像配准方法和诊断人工智能算法可以提高诊断准确性和患者预后。

Apr, 2024

提出了基于鲁棒主成分分析的新型运动校正框架，将定量心脏核磁共振成像分解为低秩和稀疏成分，并在 rPCA 框架内集成了基于组内卷积神经网络的配准骨干。通过实验证明，该方法在提高配准性能和减少定量映射误差方面比基准方法更有效，且该 rPCA 框架具有通用性，可以与其他配准骨干集成。

Nov, 2023

本文提出了一种基于深度学习的组内注册框架，名为 “PCA-Relax”，用于纠正心脏磁共振图像中的呼吸和心动运动，实现定量 MRI 的精确测量和评估。

Jun, 2024

综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

Aug, 2023