#paper [1] Hu X , Kang M , Huang W ,et al.Dual-Stream Pyramid Registration Network[J].Springer, Cham, 2019.DOI:10.1007/978-3-030-32245-8_43. 这篇论文主要用于无监督的3D大脑医学图像配准。与以往的基于卷积神经网络(CNN)的配准方法不同，例如VoxelMorph，Dual-PRNet设计了一个双流架构，能够从一对3D体积图像中顺序估计多级配准场。 主要贡献包括： 设计了一个双流3D编码器-解码器网络，分别从两个输入体积计算两个卷积特征金字塔。 提出了一种顺序金字塔配准方法，设计了一系列金字塔配准(PR)模块，直接从解码特征金字塔预测多级配准场。通过顺序变形，逐渐以粗到细的方式细化配准场，使模型具有处理大变形的强大能力。 通过计算特征金字塔之间的局部3D相关性，可以进一步增强PR模块，从而得到改进的Dual-PRNet++，能够聚合丰富的详细解剖结构。 将Dual-PRNet++集成到3D分割框架中，通过精确变形体素级注释，实现联合配准和分割。 论文还介绍了相关工作，包括基于深度学习的医学图像配准方法，并对提出的方法进行了评估。在Mindboggle101数据集上，Dual-PRNet++在Dice得分上从0.511提高到0.748，大幅度超过了现有的最先进方法。此外，论文还展示了该方法在有限注释的联合学习框架中，如何通过利用有限的注释极大地促进分割任务的完成。