通过引入一个生成策略来培训图像配准的网络，从而能使网络在不同的MRI对比度下精确地适配，在3D神经影像方面表现出色，并且不需要依赖于真实的图像数据和解剖标签，其代码可从网址获取。

Apr, 2020

实现多模态图像的快速自动配准是一项具有挑战性的任务。本文提出了一种用于无监督多变形图像配准的新型基于翻译的方法，其利用无 diskriminator 的条件翻译网络来单调地转换多模态图像到单模态空间中，并采用位块对比度损失以保留物体形态，进而取代了对抗性损失以提高匹配的效率。在公共数据集上的实验结果表明该算法具有最先进的性能。

Apr, 2022

为了解决不同FOV的图像对齐问题，本文提出了一种名为Cross-SAM的新方法，该方法利用嵌入学习和CT-MRI注册的迭代过程，以实现跨模态匹配，并在CT-MRI仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

Jul, 2023

通过近似现有指标与小型卷积神经网络的特征空间中的点积，我们提出了一个通用框架，用于创建具有表达性的跨模态描述符，从而实现了快速可变形全局注册。我们的方法比基于局部图像块的指标快几个数量级，并且可以直接应用于临床环境中，只需用所提出的指标替换相似度测量。实验表明，我们的方法在训练数据之外也具有很好的泛化性，即使在未知的解剖学和模态组合上也有着广泛的适应能力，无需进行专门的重新训练。我们公开了我们的训练代码和数据。

Jul, 2023

通过3D聚焦调制技术和不确定性估计，我们提出了一种基于深度学习的新技术，用于准确评估脑肿瘤手术中的MRI-iUS配准误差，通过RESECT临床数据库的开发和验证，该算法可以达到0.59+-0.57毫米的估计误差。

Jul, 2023

通过利用神经网络通过隐式连续函数参数化数据，隐式神经表示（INRs）在场景重建和计算机图形学中显示出显著结果，本论文综述了INR模型在医学成像领域的应用，并讨论了INRs的优势、局限性以及在医学成像数据中的挑战和考虑因素，同时提出了未来的研究方向和机会。

Jul, 2023

通过采用神经辐射场（NeRF）方法，我们展示了一种能够学习时间上动态且可变形的三维场景的方法，并能适应各种不同相机和场景设置的鲁棒性模型，该模型消除了已知相机姿态的限制，并克服了目前静态场景重构技术中依赖场景静态部分进行精准重构的缺点，为当前和未来的机器人外科手术系统提供了潜力。

Sep, 2023

我们提出了一种新颖的方法，通过学习预期的外观来进行术中患者到图像的注册。我们的方法利用术前成像合成手术显微镜下的特定于患者的预期视图，针对一系列预测的变换。我们的方法通过最小化光学显微镜下术中2D视图与合成预期纹理之间的差异来估计相机姿态。与传统方法相比，我们的方法将处理任务转移到术前阶段，从而减少低分辨率、扭曲和噪声术中图像的影响，这些因素通常会降低注册精度。我们在脑外科手术中的神经导航背景下应用了该方法。我们在合成数据和6个临床病例的回顾性数据上评估了我们的方法。我们的方法优于现有方法，并达到了当前临床标准的准确性。

Oct, 2023

通过2D/3D图像配准，利用不依赖手动标注数据的自监督方法和可微分物理渲染，实现了精确的手术决策，提高了手术速度，并超越了有监督基线模型。

Dec, 2023

本文针对在微创手术中可视化手术场景面临的稀疏视图和光度不一致性问题，提出了一种关注不确定性的条件神经辐射场（UC-NeRF）。该方法通过多视角不确定性估计自适应建模光度不一致性，并在多个数据集上显著提高了渲染的外观和几何精度，展示了其在手术场景中的应用潜力。

Sep, 2024