{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2023,1,8]]，“日期-时间”：“2023-01-08T05:58:20Z”，“时间戳”：1673157500600}，“出版商位置”：“美国纽约州纽约市”，“参考-计数”：38，“出版者”：“ACM”，“资助者”：[{“名称”：“NIH”，“奖项”：[“1R21AG050122”]}]，“内容域”：{“域”：[“dl.ACM.org”]，“crossmark-restriction”：true}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2020,4,2]]}，”DOI“：”10.1145\/336855.3384462“，”type“：”proceedings-article“，”created“：{”date-part“：[2020,3,20]]，”date-time“：”2020-03-20T20:37:37Z“，”timestamp“：1584736657000}”，“update-policy”：“http://\/d x.DOI.org\/10.1145\/crossmark-policy“，”source“：”Crossref“，“is-referenced-by-count”：1，“title”：[“稀疏3D临床图像的快速学习注册”]，“prefix”：“10.1145”，“author”：[{“given”：“Kathleen”，“family”：“Lewis”，“sequence”：“first”，“affiliation”：[}“name”：“MIT”}]}，{“给定”：“Natalia S”，“家庭”：“Rost”，“序列”：“additional”，“从属关系”：[[{名称：“哈佛医学院，MGH”}]{，“givent”“”：“约翰”，“家庭”：“古塔格”，“序列”：“附加”，“从属关系”：[{“名称”：“麻省理工”}]}_1“，”卷标签“：“Tensorflow:异构分布式系统上的大规模机器学习。arXiv:1603.04467”，“author”：“Abadi M.”，“year”：“2016”}，{“key”：“e_1_3_2_1_2_1”，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.neuroimage.2007.07“}，”{“密钥”：“e_1_3_1”、“doi-assert-by”：“publisher”，键“：”e_1_3_2_1_4_1“，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.neuroimage.2010.09.025”}，{“key”：“e_1_3_2_1_5_1”，”doi-assert-by“：”crossref“，”unstructured“：”B.Avants C.L.Epstein M.Grossman和j.C.Gee.2008。具有互相关的对称微分图像配准：评估老年人和神经退行性脑的自动标记。医学图像分析12 1（2008）26-41。B.B.先锋人物C.L.爱泼斯坦M.格罗斯曼和J.C.Gee。2008.具有互相关的对称差异图像配准：评估老年人和神经退行性脑的自动标记。医学图像分析12 1（2008）26-41.“，”DOI“：”10.1016\/j.media.2007.06.004“}，{”key“：”e_1_3_2_1_6_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1016\/S0734-189X（89）80014-3”}，“key”：“e_1_ 3_2_1 _7_1”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“作者”：“Balakrishnan G.”}、{”：“e_1_3_2_1_8_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1109\/TMI.2019.2897538“}，{“key”：“e_1_3_2_1_9_1”，“doi-assert-by”：“publisher”、“doi”：“10.1023\/B:VISI.0000043755.93987.aa”}、{“key”：“e_1_3_2_10_1”、”volume-title“国际医学图像计算与计算机辅助干预会议，Springer，300--308”，“author”：“Cao X.”}，{“密钥”：“e_1_3_2_11_1“，“非结构化”：”F.Cholet等人，2015年。凯拉斯。https:\/\/github.com//fchollet\/keras。F.Cholet等人，2015年。凯拉斯。https:\/\/github.com//fchollet\/keras。“}，{”key“：”e_1_3_2_12_1“，”volume-title“：”快速概率差分配准的无监督学习。在医学图像计算和计算机辅助干预国际会议上，查姆斯普林格，729-738“，”author“：”Dalca A.V.“}”，{基于补丁的临床脑图像离散配准。医学成像中基于补丁的技术国际研讨会，Springer，60-67”，“作者”：“Dalca A.V.”}，{“key”：“e_1_3_2_14_1”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集，9290-9299”，“author”：“Dalca A.V.“}，”{“密钥”：“e_1_3_2_15_1”10.1006 \/cviu.1997.0605“}，{“key”：“e_1_3_2_16_1”，“doi-asserted-by”：“交叉引用”，“非结构化”：“B.de Vos F.F.Berendsen Viergever M.A.M.Staring和I.I\u0161gum.2017。使用卷积神经网络进行端到端无监督变形图像配准。医学图像分析的深度学习和临床决策支持的多模式学习（2017）204-212。B.de Vos F.F.Berendsen Viergever M.A.M.Staring和I.I\u0161口香糖。2017.使用卷积神经网络进行端到端无监督可变形图像配准。医学图像分析深度学习和临床决策支持的多模式学习（2017）204-212。“，“DOI”：“10.1007\/978-3-19-67558-9_24”}，{“key”：“e_1_3_2_17_1”，“DOI-asserted-by”：“publisher”，”DOI“：”10.2307\/1932409“}，”{“密钥”：“e_1_3_2_18_1“，“doi-asserted-by”：“crossref”，“unstructured”：“J.Fan X.Cao P.T.Yap和D.Shen。2019.BIRNet：使用双监督全卷积网络进行大脑图像注册。医学图像分析54（2019）193-206。J.Fan X.Cao P.T.Yap和D.Shen。2019.BIRNet：使用双监督全卷积网络进行大脑图像注册。医学图像分析54（2019）193-206.“，”DOI“：”10.1016\/j.media.2019.03.006“}，”key“：”e_1_3_2_1_19_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1016\/j.neuroimage.2012.01.021”}，“key”：“e_1_ 3_2_1_20_1”，“DOI-assert-by”：“crossref”，”unstructured“：”B.Glocker N.Komodakis G.Tziritas N.Navab和N.Paragios.2008。通过mrfs和高效线性规划实现密集图像配准。医学图像分析12 6（2008）731--741。B.Glocker N.Komodakis G.Tziritas N.Navab和N.Paragios。2008.通过mrfs和高效线性编程实现密集图像配准。医学图像分析12 6（2008）731-741.”，“DOI”：“10.1016\/j.media.2008.03.006”}，{“key”：“e_1_3_2_1_21_1”，“DOI断言”：“crossref”，“非结构化”：“j.e.IglesiasC.Y.Liu P.M.Thompson和Z.Tu.2011。跨数据集进行稳健的大脑提取，并与公开可用的方法进行比较。IEEE医学成像事务30 9（2011）1617--1634。J.E.Iglesias C.Y.Liu P.M.Thompson和Z.Tu.2011年。跨数据集进行稳健的大脑提取，并与公开可用的方法进行比较。IEEE医学成像事务30 9（2011）1617--1634.“，”DOI“：”10.1109\/TMI.2011.2138152“}，{”key“：”e_1_3_2_1_22_1“，”volume-title“：”ADAM：随机优化方法。arXiv预印本arXiv:1412.6980“，”author“：”Kingma D.P.“，“年份”：“2014”}，”{“key”：“e_3_23_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1016\/j.neuroimage.2008.12.037“}，{“key”：“e_1_3_2_1_24_1”，“volume-title”：“医学成像机器学习国际研讨会，Springer，Cham，646--654”，“author”：“Kuang D.”}，{”key“：”e_1_s_2_1_25_1“，”unstructured“：”H.Li和Y.Fan.2017。利用深度自视觉的全卷积网络进行非刚性图像配准。arXiv（2017）。H.Li和Y.Fan。2017年。使用深度自给的完全卷积网络进行非刚性图像注册。arXiv（2017）。“}，{”key“：”e_1_3_2_1_26_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1073\/pnas.0503892102”}，“key”：“e_1_3_2_1_27_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.jalz.2005.06.003“}”，{hier和N.Ayache，1999年。理解“demon算法”：通过梯度下降进行三维非刚性配准。(1999) 597--605. X.Pennec P.Cachier和N.Ayache。1999.理解“demon算法”：通过梯度下降进行三维非刚性配准。（1999）597--605.“，”DOI“：”10.1007\/10704282_64“}，{“key”：“e_1_3_2_1_29_1”，“volume-title”：“Svf-net：使用形状匹配学习可变形图像配准。国际医学图像计算与计算机辅助干预会议（MICCAI）”，“author”：“Roh\u00e9 M.-M.”，“year”：“2017”}，“key“：”e_1_ 3_2_1_30_1“，“DOI-asserted-by”：“publisher“，”DOI“：”10.1007\/978-3-319-24574-4_28“}，{“key”：“e_1_3_2_1_31_1”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1161\/STROKEAHA.110.595355”}，“{”key“：”e_1_ 3_2_1_1_32_1“，”DOI-assert-by“：”publisher“：”publisher“，”DOI“：”10.1109\/TMI.2002.803111“}，{”key“：”e_1_3_2_1_34_1“，“volume-title“：”医学图像计算和计算机辅助干预国际会议（MICCAI），Springer，232-239“，”作者“：”Sokooti H.“}，{”关键“：”e_1_3_2_1_35_1“，”volume-title“：”多模态脑图像分析国际研讨会，Springr，18-30“，“作者”：”Sridharan R.“}，{“关键”：”e_ 1_3_2 _1_36_1“、”doi-asserted-by“：”publisher，“DOI”：“10.1016\/S1361-8415（98）80022-4”}，{“key”：“e_1_3_2_1_37_1”，“DOI-asserted-by”：“publisher”，”DOI“：”10.1016\/j.neuroimage.2008.10.40“}”，{”key“：”e_1_ 3_2_1_1_38_1“，”DOI-assert-by“：”publisher“，“DOI:”10.1016 \/j.nuroimage.2017.07.008“}]，“event”：{“name”：“ACM CHI”L'20:ACM健康、推理和学习会议”，“地点”：加拿大安大略省多伦多市”，“缩写词”：“ACM CHIL'20”，“赞助商”：[“ACM计算机协会”]}，“容器-标签”：[《ACM健康、推理和学习会议论文集》]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3368555.3384462”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,7]]，”date-time“：”2023-01-07T10:06:16Z“，”timestamp“：1673085976000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/336855.3384462”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[[2020,4,2]]}，“引用计数”：38，“alternative-id“：[”10.1145\/3368555.3384462“，”10.1145\/3368555“]，”URL“：”http://\/dx.doi.org\/10.1145\/33688555.3384462“，”relation“：{}，”subject“：[]，”published“：{”date-parts“：[[2020,4,2]}，“assertion”：[{“value”：“2020-04-02”，“order”：2，“name”：“published”，“label”：“published”，“group”：{“name”“：”publication_history“，”label“：”publication history“}}]}}