本文综述了深度学习在医学图像配准领域的演变历程，总结了该领域内最新的研究挑战和创新，列举了未来的研究方向。

Mar, 2019

本文总结使用深度学习技术的医学图像匹配方法，并对这些方法进行了分类、评估和比较。最后，分析了这些方法的未来发展趋势。

Dec, 2019

图像配准是一种将图像变形以使其与参考空间对齐的过程，以便医学从业者可以在标准化的参考框架中检查各种医学图像，如具有相同的旋转和比例。本文介绍了使用简单的数字示例进行图像配准的过程，并提供了图像配准的定义以及空间定向象征性表示。同时，探讨了不同类型的图像转换，包括仿射、可变形、可逆和双向转换，以及医学图像配准算法，例如 Voxelmorph、Demons、SyN、迭代最近点、SynthMorph。此外，还讨论了基于图谱的配准和多阶段图像配准技术，包括粗细和金字塔方法。此外，该综述论文讨论了医学图像配准分类法、数据集、评估指标（如基于相关性的度量、基于分割的度量、处理时间和模型大小）以及在图像引导手术、运动跟踪和肿瘤诊断方面的应用。最后，该文还探讨了未来研究方向，包括进一步发展变形器。

Sep, 2023

本文描述了 Learn2Reg 挑战赛的数据集，任务，评估方法和结果，以及结果的进一步分析。同时，该研究也揭示出许多提高医学图像配准表现的方法，从而推动了该领域的发展。

Dec, 2021

过去十年来，深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述，包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面，并探讨了这些新技术在医学影像中的实际应用和未来前景。

Jul, 2023

介绍了医学图像融合的方法和应用，强调融合多模式医学图像在提高医学诊断精度和临床应用性上发挥了积极作用，并提出了未来研究所面临的挑战。

Dec, 2013

该研究旨在解决在隐私约束下，医学图像注册问题。推导了一个基于先进的密码学工具的隐私保护图像注册框架，即在不泄露基础数据的情况下执行操作。使用梯度逼近和打包技术来优化该框架以提高性能和可伸缩性。通过线性和非线性注册问题来展示该框架的准确性和可伸缩性，并证明了隐私保护图像注册是可行的。

May, 2022

RetinaRegNet 模型在不需要对任何视网膜图像进行训练的情况下，通过使用来自扩散模型的图像特征建立两个视网膜图像之间的点对应关系，实现了各种视网膜图像注册任务的最先进性能。该模型通过逆一致性约束和基于变换的异常点检测器去除估计的点对应关系中的异常值，并通过二阶图像配准和更精确的三阶多项式变换处理大变形，已在三个视网膜图像数据集上证明了其优越性能。

Apr, 2024

磁共振成像（MRI）的临床决策制定结合了多个 MRI 序列（定义为 “模态”）的补充信息。MRI 图像配准旨在几何地 “匹配” 来自不同模态、时间点和切片的诊断。无监督的多模态和多器官图像配准深度学习方法中，我们将基于 Grad-CAM 的可解释性框架纳入每个主要组成部分。我们的 DL 模型变得完全可解释，为将我们的方法推广到进一步的医学成像数据奠定了框架。

Aug, 2023

通过对过去十年的研究进行系统调查，本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研，强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法，并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础，具有独特的范围。此外，该调查对于对数字性视网膜病感兴趣的研究人员，将作为一份有益的指南。

Nov, 2023