本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。
Nov, 2023
通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。
Sep, 2018
提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法，该方法通过近似最小卷积和平均场推断进行可微位移正则化，在少量标记的扫描中可实现较高准确度。
Jul, 2019
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
通过将最近提出的多目标神经网络训练方法与深度神经网络相结合，本文填补了多目标深度学习变形图像配准的研究空白，并通过对盆腔磁共振成像扫描的配准实验，实验表明多目标深度学习变形图像配准方法相比于提供单一配准结果，在临床使用角度具有更多的优点，能够提供多个在不同目标权衡条件下的注册结果。实验还表明，相比于使用多个神经网络进行训练，从可能取值网格中抽样每个目标的权重，所提出的多目标深度学习变形图像配准方法能够在整个权衡前沿获得更好分布的配准结果。
Feb, 2024
通过提出一种名为 RIIR 的新型图像注册方法，该方法将深度学习技术应用于医学图像注册中，提高了注册准确性和数据利用效率。
Jun, 2024
本研究提出了一种新颖、高效的非监督对称图像配准方法，通过在微分同胚映射空间内最大化图像之间的相似度，同时估计正向和反向变换来实现高精度的配准，同时保持所需的微分同胚特性。
Mar, 2020
该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。
本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。
Apr, 2017
本研究提出了一种基于深度学习的 Laplacian 金字塔图像注册网络，可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题，并在两个 MR 脑扫描数据集上得出了比现有方法更优越的结果，同时保持理想的差分同胚性和良好的配准速度。
Jun, 2020