摘要

我们介绍了VoxelMorph，这是一种快速的基于学习的框架，用于可变形的医学图像配准。传统的配准方法为每对图像优化一个目标函数，这在处理大型数据集或复杂的变形模型时可能非常耗时。与这种方法不同，并借鉴了最近的基于学习的方法，我们将配准视为一个函数，该函数将输入的一对图像映射到一个能够对齐这些图像的变形场。我们通过卷积神经网络（CNN）对该函数进行参数化，并在一个图像集合上优化神经网络的参数。对于新的扫描对，VoxelMorph可以通过直接评估该函数来快速计算出变形场。在这项工作中，我们探讨了两种不同的训练策略。在第一种（无监督）设置中，我们训练模型以最大化基于图像强度的标准图像匹配目标函数。在第二种设置中，我们利用训练数据中可用的辅助分割信息。我们展示了无监督模型的准确性与现有最先进方法相当，同时运行速度提高了几个数量级。此外，我们还证明了使用辅助数据训练的VoxelMorph在测试时可以提高配准精度，并评估了训练集大小对配准的影响。我们的方法有望加速医学图像分析和处理流程，同时促进基于学习的配准及其应用的新方向的发展。我们的代码可在网址voxelmorph.csail.mit.edu免费获取。