This paper presents a fully automated method to segment the complex left atrial (LA) cavity, from 3D Gadolinium-enhanced magnetic resonance imaging (GE-MRI) scans. The proposed method consists of four steps: (1) preprocessing to convert the original GE-MRI to a probability map, (2) atlas selection to match the atlases to the target image, (3) multi-atlas registration and fusion, and (4) level-set refinement. The method was evaluated on the datasets provided by the MICCAI 2018 STACOM Challenge with 100 dataset for training. Compared to manual annotation, the proposed method achieved an average Dice overlap index of 0.88.
Fully Automated Left Atrium Segmentation from Anatomical Cine Long-axis MRI Sequences using Deep Convolutional Neural Network with Unscented Kalman Filter
University of California, Los Angeles（加州大学洛杉矶分校）；University of Alberta（阿尔伯塔大学）；Mazankowski Alberta Heart Institute（马赞科夫斯基阿尔伯塔心脏研究所）
Multiview Two-Task Recursive Attention Model for Left Atrium and Atrial Scars Segmentation
Anhui University（安徽大学）；Royal Brompton Hospital（皇家布朗普顿医院）；National Heart & Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University College London（伦敦大学学院）；Alan Turing Institute（艾伦·图灵研究所）；Imperial College London（帝国理工学院）
Initialize globally before acting locally: Enabling Landmark-free 3D US to MRI Registration
Technische Universität München（慕尼黑工业大学）；Konica Minolta Laboratory Europe（柯尼卡美能达欧洲实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）；Trinity College Dublin（都柏林圣三一学院）
Motion correction of dynamic contrast enhanced MRI of the liver
Center for Image Sciences, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心影像科学中心）；Department of Radiology, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心放射科）
Groupwise Registration with Physics-Informed Test-Time Adaptation on Multi-parametric Cardiac MRI
Biomedical Imaging Research Institute, Cedars-Sinai Medical Center, United States Berlin Ultrahigh Field Facility (B.U.F.F.), Max Delbrück Center for Molecular Medicine in the Helmholtz Association (MDC), Germany Department of Imaging Physics, Delft University of Technology, Netherlands TUM School of Computation, Information；Technology, Technische Universität München, Germany Department of Surgery, Taipei Veterans General Hospital, Taiwan
AtrialJSQnet: A New Framework for Joint Segmentation and Quantification of Left Atrium and Scars Incorporating Spatial and Shape Information
Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）；King’s College London（伦敦国王学院）；Technical University Munich（慕尼黑工业大学）；Helmholtz Center Munich（慕尼黑亥姆霍兹中心）
GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration
University of Leeds（利兹大学）；Radboud University Medical Centre（拉德堡德大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）；Shenzhen University（深圳大学）；Shenzhen RayShape Medical Technology Co., Ltd（深圳睿心医疗科技有限公司）
Learning accurate rigid registration for longitudinal brain MRI from synthetic data
1 Division of Biomedical Imaging, KTH Royal Institute of Technology, Huddinge, Sweden 2 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, USA 3 Department of Radiology, Massachusetts General Hospital, Boston, USA 4 Department of Radiology, Harvard Medical School, Boston, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, USA
Joint Progressive and Coarse-to-fine Registration of Brain MRI via Deformation Field Integration and Non-Rigid Feature Fusion
Britton Chance Center for Biomedical Photonics（布里顿·钱斯生物医学光子学研究中心）；Wuhan National Laboratory for Optoelectronics（武汉光电国家研究中心）；MoE Key Laboratory for Biomedical Photonics（教育部生物医学光子学重点实验室）；Collaborative Innovation Center for Biomedical Engineering（生物医学工程协同创新中心）；School of Engineering Sciences, Huazhong University of Science and Technology（华中科技大学工程科学学院）
To deform or not: treatment-aware longitudinal registration for breast DCE-MRI during neoadjuvant chemotherapy via unsupervised keypoints detection
Radboud University Medical Centre（拉德堡德大学医学中心）；The Netherlands Cancer Institute（荷兰癌症研究所）；Macao Polytechnic University（澳门理工大学）；Maastricht University Medical Centre（马斯特里赫特大学医学中心）
Deep learning-based group-wise registration for longitudinal MRI analysis in glioma
Erasmus MC（伊拉斯姆斯大学医学中心）；Medical Delta（医疗三角洲）；Delft University of Technology（代尔夫特理工大学）；Amsterdam UMC / VU Medical Center（阿姆斯特丹大学医学中心/自由大学医学中心）；Princess Máxima Center for Pediatric Oncology（马克西玛公主儿童肿瘤中心）；The Jackson Laboratory for Genomic Medicine（杰克逊基因组医学实验室）
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine
Technische Universität München（慕尼黑工业大学）；ScintHealth GmbH（ScintHealth有限公司）；Reply SpA（Reply股份公司）；Helmholtz Zentrum München（慕尼黑亥姆霍兹中心）；Helmholtz AI（亥姆霍兹人工智能研究所）
Diffeomorphic Multi-Resolution Deep Learning Registration for Applications in Breast MRI
Auckland Bioengineering Institute（奥克兰生物工程研究所）；University of Auckland（奥克兰大学）；Faculty of Medical and Health Sciences（医学与健康科学学院）；MGH/HST Martinos Center for Biomedical Imaging（麻省总医院/哈佛健康科学技术生物医学成像马蒂诺斯中心）；Harvard Medical School（哈佛医学院）；MIT（麻省理工学院）
Robust joint registration of multiple stains and MRI for multimodal 3D histology reconstruction: Application to the Allen human brain atlas
University College London（伦敦大学学院）；Inria（法国国家信息与自动化研究所）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Massachusetts Institute of Technology（麻省理工学院）
Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention
Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心）；National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Anhui University（安徽大学）；Western University（西安大略大学）；University College London（伦敦大学学院）；Alan Turing Institute（阿兰·图灵研究所）；NIHR Imperial Biomedical Research Centre（NIHR帝国生物医学研究中心）；Beijing Anzhen Hospital, Capital Medical University（首都医科大学附属北京安贞医院）；School of Biomedical Engineering, Sun Yat-Sen University（中山大学医学院生物医学工程学院）
TimeFlow: Temporal Conditioning for Longitudinal Brain MRI Registration and Aging Analysis
Technical University of Munich, TUM University Hospital（慕尼黑工业大学，慕尼黑工业大学附属医院）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所）；Imperial College London（伦敦帝国理工学院）
Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis
Radboudumc（拉德堡德大学医学中心）；Fraunhofer MEVIS（弗劳恩霍夫梅维斯研究所）；Universität zu Lübeck（吕贝克大学）；University Medical Center Groningen（格罗宁根大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）；Norwegian University of Science and Technology（挪威科技大学）
Multimodal Deformable Image Registration for Long-COVID Analysis Based on Progressive Alignment and Multi-perspective Loss
University of Oxford（牛津大学）；Nuffield Department of Population Health, University of Oxford（牛津大学纳菲尔德人口健康系）；Big Data Institute, University of Oxford（牛津大学大数据研究所）；Oxford University Hospitals NHS Foundation Trust（牛津大学医院 NHS 基金会信托基金）；Oxford Radiology Research Unit（牛津放射学研究单元）
Spatial Registration Evaluation of [18F]-MK6240 PET
图像配准是神经影像学中的一个重要的预处理步骤，它允许模态和受试者之间的解剖和功能信息的匹配。如果图像几何形状或信号强度存在明显差异，则这可能具有挑战性，例如在某些分子PET放射性配体的情况下，对照受试者显示颅内区域内相对于噪声相对缺乏信号，并且可能具有可能与其他区域混淆的脱靶结合，并且可能因受试者而异。在这种情况下，使用中间图像或体积已被证明有助于配准。为了解释我们自己的纵向老化队列中的这种现象，我们从广泛分布的30名淀粉样蛋白阴性受试者中生成了人群特异性MRI和PET模板。然后，我们使用三组不同的配准参数和程序，将这些受试者中的每一个的PET图像，以及三十个“模板初始”受试者的保留集与其相应的MRI图像配准，其中使用模板图像作为中间体。为了评估传统配准和我们的方法的性能，我们将其与作为参考的衰减CT（在PET采集时采集）与MRI的配准进行了比较。然后，我们使用我们的模板直接推导SUVR值，而不使用MRI。我们发现，传统的注册是一个现有的CT为基础的标准相媲美，并有没有显着差异的错误，集体之间的所有方法进行测试。此外，现有和无MR tau PET定量方法之间没有显著差异。我们的结论是，基于模板的方法是一种可行的替代方案，或挽救，直接注册和MR少量化;和，可能是首选的情况下，有疑问的两种图像模式之间的相似性。
Variational U-Net with Local Alignment for Joint Tumor Extraction and Registration (VALOR-Net) of Breast MRI Data Acquired at Two Different Field Strengths
University of Peshawar（白沙瓦大学）；Danube Private University（多瑙河私立大学）；University of Engineering & Technology, Peshawar（白沙瓦工程与技术大学）；Medical University of Vienna（维也纳医科大学）；Karl Landsteiner Society（卡尔·兰施泰纳学会）；University of Cambridge（剑桥大学）
