近日，我院几何计算与智能媒体技术团队与宾夕法尼亚大学医学院研究团队合作，在医学影像配准领域取得新成果，提出了一种自动化学习的配准框架AutoReg，协同优化网络架构和相应的训练目标，使非计算机专家能够方便地自动学习获得适合各种配准场景和任务的最优算法。

论文“Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions”由樊鑫教授(共同一作，通讯作者)、李孜硕士（共同一作，现任职于阿里巴巴达摩院）、李子洋硕士、汪小琳硕士研究生、刘日升教授、罗钟铉教授、黄浩教授(宾夕法尼亚大学医学院)合作完成，已被国际期刊《IEEE Transactions on Image Processing》（CCF A，影响因子为11.041)录用。

图1展示了整体框架。为了构建特定场景下的配准网络，需要设计三个主要组成部分，即特征提取器、变形模型和目标函数。为此，研究团队提出了一个三层优化框架，共同学习由特征提取子网络和变形生成子网络组成的深度可变形图像配准模型的权重、架构和损失函数。在多个数据集(包括ADNI、ABIDE、PPMI、OASIS、BraTS18、ISeg19等脑部MRI图像，以及OAI膝关节MRI图像、肺部CT图像等数据集)和各种配准场景上（涵盖了单模态配准，如脑部T1图像配准到平均T1模板、脑部T1到T1图像、脑部T2到T2图像、膝盖T1到T1图像、肺部CT吸气图像到呼气图像，以及多模态配准，如脑部T1到T2图像、脑部T2到T1图像）进行的广泛实验表明，AutoReg能够自动学习适用于给定数据的最佳深度配准网络，实现最好的配准性能。该相关工作已开源至：https://github.com/Alison-brie/AutoReg。

图1.（a）传统、基于深度学习的配准，（b）三层优化框架

据了解，可变形配准是医学影像分析，如手术导航、肿瘤定位、器官分割等必不可少的关键技术。无论是从传统的能量优化方法还是深度学习方法中衍生出的成功配准算法，都需要计算机专家投入大量精力，设计网络架构，设置调整超参数等。

团队介绍：大连理工大学几何计算与智能媒体技术研究团队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。该团队也一直致力于面向国家重大需求，加强关键共性技术研究，已经在全天候车载多波段立体视觉感知单元，以及水下目标自主抓取机器人等应用研发方面取得突破。

供稿：汪小琳

责任编辑：潘树孟