本研究提出了一种基于深度学习的神经映像配准框架 NeurReg，其具有位移场和数据相似性的混合损失，经过广泛实验验证表明可以快速并精确地执行图像配准和分割，可大大加快相关医学图像分析任务。

Oct, 2019

我们提出了一种基于关键点的通用脑 MRI 配准基础模型，称为 BrainMorph，它支持多模态、成对和可扩展的团体配准，该模型在大规模的数据集上进行训练并展示了出色的配准准确性和速度。

May, 2024

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

本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果，旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准，并采用一种混合配准框架，将基于强度的配准与强大的点匹配算法相结合，用于解剖图谱的构建和配准。在与专家分割相比的验证中，该方法的平均误差为 3.39 毫米，标准差为 1.95 毫米。我们认为，这种分割工具可能对临床医生的常规定量图像分析非常有帮助。

Jun, 2008

通过提出一种基于任意体素兴趣点匹配的医学图像配准新方法 QUIZ（query point quizzer），利用卷积神经网络进行特征提取和 Transformer 结构提取全局匹配点查询，通过平均位移进行局部图像刚体变换，我们验证了该方法在大变形数据集（宫颈癌患者）上的有效性，结果表明与当前最先进方法相比具有更小的偏差，令人瞩目的是，即使在交叉模态主题下，该方法也取得了超过当前最先进方法的结果。

Sep, 2023

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

通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

Feb, 2024

采用贝叶斯张量回归方法，在长期神经成像研究中，通过调整协变量并跨空间分布的体素进行信息汇集，实现对重要变化的推断，该方法具有降维和保留体素空间形状的优势，可应用于个体级神经可塑性研究和预测，在模拟研究和多周访问情景中验证了该方法相比体素回归在预测和特征选择方面的优越性。

Sep, 2023

图像配准的目标是通过稠密位移场或参数化变换（如刚性、仿射和样条）在两个或多个图像之间建立空间对应关系。本文提出了一种新的对应关系表示方法，即一组相应感兴趣区域（ROI）对，通过实验证明具有足够的表示能力。并将图像配准定义为在图像对上搜索相同对应 ROI 集合的问题，并且提出了一种不需要训练数据、梯度微调或工程化提示的 SAMReg 算法。实验证明，SAMReg 在三个临床应用中（前列腺 MR、心脏 MR 和腹部 CT 图像的配准）能够准确完成分割和匹配多个 ROI 对，且在解剖结构的 Dice 系数和目标配准误差等度量指标上表现优于基于强度的迭代算法和基于学习的预测位移场算法，甚至能够与需要完全分割的弱监督注册方法相媲美。

May, 2024

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018