利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

Nov, 2023

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

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

介绍了 AMOS 数据集，用于细分包含多个器官的腹部 CT/MRI 图像，并对该数据集上使用的多种深度学习模型进行了基准测试。

Jun, 2022

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

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

通过深度学习方法进行图像配准，该方法在集成放射学和病理学信息方面具有更好的性能，从而便于生成大规模数据集，以训练更准确的乳腺癌检测模型。

Jan, 2024

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

Nov, 2020

通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

Jul, 2023