本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法，通过设计一个深度编码器-解码器网络来学习图像外观与图像配准参数之间的像素/体素映射，特别针对LDDMM，通过预测LDDMM动量参数化，使计算时间大幅减少。同时，我们创建了贝叶斯概率版本的网络，允许在测试时间使用dropout的蒙特卡罗采样来评估变形场的不确定性。

Jul, 2016

本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

Feb, 2018

本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

May, 2018

VoxelMorph是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏Cine-MRIs上的实验结果显示出本方法目前显示了最先进的性能。

Dec, 2018

本文介绍一种基于概率生成模型和卷积神经网络的无监督学习算法，该算法融合了经典形变配准技术的思想，达到了先进的精度和速度，并提供拓扑保持的注册保证。作者在3D脑部配准任务上进行了广泛的实证分析。

Mar, 2019

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

通过使用扩散模型的多尺度语义特征来引导变形场的生成，以及使用扩散得分来引导优化过程，本研究证实了模型在3D医学心脏图像注册任务中有效提供保留拓扑的改进型变形场的能力。

Jul, 2023

我们提出了USLR，这是一个用于进行脑MRI扫描的纵向配准以估计时间上平滑、对任意时间点无偏差和对图像伪影有鲁棒性的非线性图像轨迹的计算框架。我们利用李代数参数化空间变换（与刚性变换和用于非线性变形的平稳速度场兼容）以及对数域属性来使用贝叶斯推理解决该问题。USLR估计刚性和非线性配准，将所有时间点带到无偏的个体特定空间，且在映像时间序列上计算平滑拟合轨迹。我们依靠基于学习的配准算法和封闭形式表达式进行快速推理。以阿尔茨海默病研究为例，展示了该流程在多个方面的优势，如时间一致的图像分割以减少个体内变异、使用基于张量形态测量的个体特定预测或人群分析。我们证明这种方法在识别群体差异方面优于横断面方法，这可帮助检测更微小的萎缩水平或者减小临床试验的样本量。代码可在此https URL公开获取。

Nov, 2023

该研究论文提出了一种用于无监督医学图像配准的异方差不确定性估计框架，通过建模异方差噪声并采用自适应加权方案与相对γ指数化信噪比(SNR)结合的位移估计器，提高了位移估计的准确性，并在定量和定性上优于其他基准方法。

Dec, 2023