HyperMorph：用于图像配准的摊销超参数学习

我们提出 HyperMorph，一种基于学习的可变形图像配准策略，消除了在训练期间调整重要配准超参数的需要。经典配准方法通过求解优化问题来寻找两幅图像之间的一组空间对应，而基于学习的方法利用训练数据集来学习生成这些对应的函数。两类技术的质量在很大程度上取决于超参数的选择。遗憾的是，超参数调优耗时且通常涉及以各种超参数值训练许多独立模型，可能导致次优结果。为解决这一低效问题，我们引入用于图像配准的摊销超参数学习，一种学习超参数对形变场影响的新策略。所提框架学习一个超网络，该网络接收输入超参数并调节配准网络以产生该超参数值下的最优形变场。实际上，该策略训练了一个单一且丰富的模型，能够在测试时从连续区间快速、细粒度地发现超参数值。我们证明该方法可比现有搜索策略更快地优化多个超参数，从而降低计算和人力负担并增加灵活性。我们还展示了若干重要优势，包括增强对初始化的鲁棒性，以及无需重新训练 HyperMorph 模型即可快速确定特定于某配准任务、数据集甚至单个解剖区域的最优超参数值的能力。我们的代码公开于 http://voxelmorph.mit.edu。