图像配准是计算机视觉中的一个基本问题，在医学图像分析中起着至关重要的作用，是许多临床任务的基础。近日，大连理工大学国际信息与软件学院几何计算与智能媒体技术团队提出了一种新的配准框架，它将深度网络、微分同胚优化和灵活适应各种场景的自调整训练策略相结合，解决了极具挑战性的3D 医学图像配准问题。研究团队还研究了该工作在支持包括融合和分割在内的下游医学图像分析任务方面的有效性。

该项工作由我院刘日升教授、李孜(研究生)、樊鑫教授（通讯作者）、罗钟铉教授和美国宾夕法尼亚大学的赵晨颖(博士生)、黄浩教授合作完成，这是近期该团队面向生命健康在医学影像领域与国际顶尖医学研究机构进行合作交流的最新成果。

图1展示了整体框架。具体来说，该项工作开发了三个模块：基于误差的数据匹配、基于上下文的正则化和基于常微分方程的约束项，以优化学习特征空间F上的配准能量，如图 1 的第一行所示。给定从F学习到的不同尺度上的特征，迭代执行具有深度参数的三个模块可以有效地优化微分同胚能量，如图1 的第二行所示。这种深度传播方案借鉴经典的基于优化的方法，并避免了图像域上迭代梯度的昂贵计算，实现了快速合理的配准。与已有的端到端的深度配准方法相比，该工作中的每个深度模块都有明确的物理或几何含义。

图1.配准算法框架：优化学习视角、传播模块和自适应双层训练策略

除此之外，该项工作设计了一种新颖的自调整训练策略，可以同时学习深度模块中的最佳网络参数和损失函数中的最佳超参数。该工作将这种联合训练策略刻画成了双层优化，并提出了一种高效的近似算法来解决双层优化的计算困难问题。在传统训练策略中，超参数选择通常需要训练许多具有不同超参数配置的单个模型，这种手动调整带来大量人力和计算负担。与已有训练策略不同，该工作中基于双层优化的自调整训练策略，如图1 的第三行所示，允许进行灵活高效的训练，能够适应呈现显着变化的多种类型的医疗数据。

相关论文“Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond”被国际期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（CCFA，影响因子为17.861）接收。

相关介绍：

几何计算与智能媒体技术研究团队隶属于大连理工大学国际信息与软件学院，与立命馆大学合作建立健康医疗智能计算联合研究中心。研究课题包括机器学习、深度学习、计算机视觉、多媒体技术、优化方法等当前最前沿的领域，及其在医疗和健康领域中的应用。近年来在IEEE TPAMI,TIP,NeurIPS,ICML,CVPR,ICCV,ECCV,AAAI,IJCAI,ACM MM等人工智能、多媒体技术等多领域的重要期刊及会议上发表论文达100余篇。近一年来针对可学习优化的理论及应用研究已发表顶级会议和期刊（包括IEEE TPAMI,TIP,NeurIPS,ICML,AAAI, IJCAI, ACM MM等）论文30余篇。

责任编辑：潘树孟