医学图像配准是一种常用技术，它涉及将磁共振成像（MRI）扫描等两个图像进行叠加，以便详细比较和分析解剖差异。例如，如果患者患有脑瘤，医生可以将几个月前的脑扫描与近期的扫描重叠，以分析肿瘤的微小变化。

然而，这个过程通常需要两个小时或更长的时间，因为传统系统在组合扫描中精确地对齐潜在的一百万个像素。在即将发表的论文中，麻省理工学院的研究人员描述了一种机器学习算法，该算法能够使用新颖的学习技术更快速地记录脑部扫描和其他3D图像，比原来快1000倍。

该算法通过“学习”来配准数千对图像。它会获取有关如何对齐图像和估计一些最佳对齐参数的信息。训练结束后，它使用这些参数将一个图像的所有像素同时映射到另一个图像。这使用一台普通的计算机将配准时间缩短到一两分钟，或使用与最先进的系统相当的精度的GPU在不到一秒钟的时间内完成任务。

这两篇论文的作者之一Guha Balakrishnan，是麻省理工学院计算机科学与人工智能实验室（CSAIL）和工程与计算机科学系（EECS）的研究生，他指出，“在对齐一对脑部MRI或其他脑部MRI时，对齐脑部MRI的任务应该不同。你应该能够掌握如何进行协调的信息。如果能够从之前的图像配准中了解到某些内容，则可以更快更准确地完成新任务。“

这些论文将在CVPR会议以及9月举行的MICCAI上发布。

对齐所有三维像素非常耗时，此外，扫描可能来自不同的机器，并且具有不同的空间取向，这意味着匹配体素在计算上更复杂。

论文主要作者Dalca表示，“你有两个不同的大脑的两个不同的图像，把它们放在彼此的顶部，你开始摆动一个，直到一个适合另一个。

分析大量人群的扫描时，这个过程变得特别慢。例如，分析数百名患有特定疾病或病症的患者的脑结构变化的神经科学家可能需要数百小时。

这是因为这些算法有一个主要缺陷：它们从不学习。每次配准后，他们都会关闭与体素位置相关的所有数据。“基本上对于新图像来说，它们要从头开始，”Balakrishnan说。“在注册100次后，你应该从对齐中学到一些东西。这就是我们所利用到的。”

研究人员称之为“VoxelMorph”的算法由卷积神经网络（CNN）驱动，在CVPR论文中，研究人员在7000次公开可用的MRI脑扫描上训练了他们的算法，然后在250次额外的扫描中对其进行了测试。

在训练过程中，脑扫描成对输入算法。使用CNN和被称为空间变换器的修改后的计算层，该方法捕获一次MRI扫描中的体素与另一次扫描中的体素的相似性。这样做时，该算法可以学习关于体素组的信息，例如两个扫描共有的解剖形状，用于计算可应用于任何扫描对的优化参数。

当进行两次新的扫描时，一个简单的数学函数将使用这些优化的参数快速计算两次扫描中体素的准确对齐信息。简而言之，算法的CNN组件在训练期间获得所有必要的信息，以便在每次新配准时，可以使用一个易于计算的功能评估来执行。

研究人员发现，他们的算法能够在两分钟内使用传统的中央处理单元或在一秒钟内使用图形处理单元，准确记录所有250个测试脑部扫描。

重要的是，该算法是无监督的，这意味着它不需要超出图像数据的附加信息。

MICCAI论文开发了一种精炼的VoxelMorph算法，“它说明我们对每个注册的确定程度，”Balakrishnan说。

它还保证了配准的“平滑性”，这意味着它不会在合成图像中产生褶皱，孔洞或扭曲。该论文提出了一种数学模型，该算法使用称为骰子分数的东西来验证算法的准确性，该分数是用于评估重叠图像的准确度的标准度量。在17个大脑区域中，精炼的VoxelMorph算法得分与通常使用的最先进的配准算法具有相同的精确度，同时提供运行时和方法学上的改进。

研究人员说，除了分析大脑扫描外，这种快速的算法还有广泛的潜在应用。例如，MIT的同事们正在运行肺部图像算法。

该算法还可以为操作过程中的图像配准铺平道路。目前在某些手术之前或期间使用不同质量和速度的各种扫描。但是这些图像在操作之后才会被配准。例如，当切除脑肿瘤时，外科医生有时会在手术前后扫描患者的大脑，看看他们是否已经切除了所有的肿瘤。

Dalca表示，采用新算法，外科医生可以近乎实时地注册扫描，从而更清楚地了解他们的进展情况。“今天，在手术过程中，他们不能真正重叠图像，因为这需要两个小时，手术仍在进行中，但是，如果只需要一秒钟，你可以想象它是可行的。”