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

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

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

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

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

将图像配准方法转化为地标检测问题，通过子样本的互评分析计算误差分布并使用公式（中值 + delta * 中值绝对偏差）得到阈值，实现了先前无法区分的配准算法的区分，并进一步评估算法的临床意义。

Jul, 2023

医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

Mar, 2024

本篇综述介绍了同源和异源点云配准的优化和深度学习方法，并总结了二者之间的关系。同时，本文还创建了一套新的评估基准来解决异源挑战，并讨论了不同领域中的点云配准应用。最后，本文提出了这个快速发展领域的潜在研究方向。

Mar, 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

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