【配准】2020年“基于深度学习的医学影像配准”期刊论文速览（PR,TMI,MIA）

针对基于深度学习的医学影像配准，检索了最新的（2020年）期刊论文，包含PR、TMI、MIA3个期刊，下面是浏览论文中的一些记录。

其中有两篇论文提供了代码。

一、PR

1. Deep morphological simplification network (MS-Net) for guided registration of brain magnetic resonance images（沈定刚）

         解决的问题：Deformable brain MR image registration

         方法的创新：this is the first work to simplify brain MR image registration by deep learning, instead of estimating deformation field directly.两条支路（Trajectory，彩色箭头)各自逐渐简化固定图像和浮动图像，使得支路末尾的两张图相似又简单，容易配准；生成简单图像后再用Demons算法对相邻的图像进行配准生成形变场（橙色箭头），最后的形变场是所有形变场的迭代。用到的神经网络是最原始的Unet,创新点在于配准思想——利用简化的图像进行配准。

 

 

实验的设置：在多个数据集上对比了 Demons和Syn

     2.Training data independent image registration using generative adversarial networks and domain adaptation

        解决的问题：基于深度学习的配准方法对训练数据的依赖问题，比如在大脑图像上训练出的模型不能配准眼底图像

        方法的创新：用了GAN和域自适应做图像配准

        实验的设置：X光、大脑MR、眼底图像上都做了实验，比如用在X光上训练的模型配准眼底图像。（这里的眼底图像事先做了预配准）

二、TMI