医学图像配准中的深度学习：魔法还是幻象？

经典优化方法和基于学习的方法是可变形图像配准中两大主导范式。虽然基于优化的方法在不同模态之间具有广泛性和稳健性能，但基于学习的方法则承诺实现最佳性能，能够整合弱监督并实现 amortized 优化。然而，两种范式在何种条件下能够优于另一种，却在现有文献中鲜为明确阐述。本文对每像素强度与标签分布之间的互信息，与经典配准方法性能之间的关系作出明确对应。这种强相关性暗示，基于学习的方法的架构设计可能不太会影响这种相关性，从而影响其性能。这一假设经过了基于最新经典和学习方法的充分验证。然而，带有弱监督的学习方法能够实现高保真度的强度和标签配准，而经典方法则无法做到。随后，我们表明，这种高保真特征学习并不等同于对领域迁移的不变性，学习方法对数据分布的此类变化极为敏感。最后，我们提出了一种通用配方，用于在给定配准问题中选择最佳范式，基于上述观察结果。