专家解读（YouTube）· HHMI's Janelia Research Campus · YouTube·· 7 天前评分53
可形变医学图像配准：经典迭代优化与深度学习新范式对比
【AI4Science】可形变医学图像配准：经典方法 vs 深度学习（Janelia, Qian Tao）
导读
HHMI Janelia 邀请 TU Delft 的 Qian Tao 讲解可形变医学图像配准的经典迭代优化与基于卷积神经网络的新范式对比，指出前者脑体积配准耗时可达数小时，后者通过大数据预训练后可即时预测形变场。讲座还覆盖脑图谱对齐、MR/CT 多模态配准和心脏 MRI 随访等应用场景。
要点概括
Janelia 讲者 Qian Tao（TU Delft 成像物理）——可形变图像配准（deformable image registration）的“旧范式与新范式”，含深度学习路径。
- 主线：图像配准在生物医学成像中无处不在（脑图谱对齐、MR/CT 多模态配准、心脏 MRI 随访），经典方法迭代优化耗时（脑体积配准可达数小时）。
- 新范式：用卷积神经网络直接从大数据预训练后“预测”形变场，新数据到来即时配准。
- 动机：讲者研究 field 即“医学影像中的人工智能”，与临床/成像科学家合作解决定量成像的真实挑战。
- 定位：AI4Science（深度学习/医学影像配准）；Tier E（HHMI Janelia）；字幕（8607 词，含 Q&A）。
来源：专家解读（YouTube） · youtube.com