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

该研究开发了一种基于视觉转换的非对称自编码器网络，可以从2D的kV图像中重建出3D CT图像，实现了患者定位精度的提高。

Apr, 2023

本文提出了一种高变形抵抗能力的登记模型，称为CDIDN，可以处理在CT图像中局部大变形的问题，通过实验评估证明CDIDN在处理肺部器官和复杂的肺部细节方面比其他方法更准确和有效，并具有追踪肺部病变的能力。

May, 2023

本文提出了一种基于ODE的递归图像配准网络（ORRN），用于在4D医学数据中建模呼吸运动以及心跳等器官运动，具有较高的配准精度、形变可信度和计算效率，可用于放射治疗中的快速准确的呼吸运动估计或胸部针头插入的机器人运动规划，同时也可应用于其他医学图像配准任务。

May, 2023

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

通过使用相似性衡量方法进行图像配准，识别潜在肿瘤区域并生成软性肿瘤遮罩；然后通过体积保持配准方法，在正常区域与肿瘤区域之间平衡图像相似性和体积保持，实现肿瘤体积的保持。

Sep, 2023

通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺DCE-MRI的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从DCE-MRI中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用314名接受NAC治疗的患者的1630个MRI扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部-全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和/或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration获得。

Jan, 2024

提出了一种深度合成方法，通过将外部患者表面估计作为条件合成来生成伪呼吸CT相位，以实现运动感知的治疗计划，并展示了其能够以与重复扫描的真实4DCT相位相似的准确性捕捉器官和肿瘤的运动。

Mar, 2024

基于隐式神经表示的连续时空图像变形(Continuous-sPatial-Temporal DIR，CPT-DIR)方法显著提高了图像配准的准确性、自动化和速度，特别是在具有挑战性的区域，优于传统的B样条方法。

May, 2024

采用参数化的三维高斯控制点的变形图像配准方法，在计算效率、配准精度和速度之间取得了更好的平衡，通过局部插值转换，实现了对三维体积医学图像之间的空间变形场进行明确灵活的表示，进而在后向传播的统一优化过程中迭代学习了三维高斯和其变换的参数，取得了在精度和效率方面的显著进展。

Jun, 2024