Wir stellen VoxelMorph vor, ein schnelles, lernbasiertes Framework für die deformierbare, paarweise Registrierung medizinischer Bilder. Traditionelle Registrierungsmethoden optimieren eine Zielfunktion für jedes Bildpaar, was bei großen Datensätzen oder komplexen Deformationsmodellen zeitaufwendig sein kann. Im Gegensatz zu diesem Ansatz und aufbauend auf jüngsten lernbasierten Methoden formulieren wir die Registrierung als Funktion, die ein Eingangsbildpaar auf ein Deformationsfeld abbildet, das diese Bilder ausrichtet. Diese Funktion parametrisieren wir durch ein Faltungsneuronales Netz (CNN), und optimieren die Parameter des Neuronalen Netzes anhand eines Bildsets. Für ein neues Scanpaar berechnet VoxelMorph schnell ein Deformationsfeld, indem es die Funktion direkt auswertet. In dieser Arbeit untersuchen wir zwei verschiedene Trainingsstrategien. Im ersten (unüberwachten) Szenario trainieren wir das Modell, um standardisierte Bildabgleich-Zielfunktionen zu maximieren, die auf den Bildintensitäten basieren. Im zweiten Szenario nutzen wir zusätzliche Segmentierungen im Trainingsdatensatz. Wir zeigen, dass die Genauigkeit des unüberwachten Modells mit den besten aktuellen Methoden vergleichbar ist, während es um mehrere Größenordnungen schneller arbeitet. Zudem demonstrieren wir, dass VoxelMorph, das mit zusätzlichen Daten trainiert wurde, die Registrierungsgenauigkeit zur Testzeit verbessert und evaluiert den Einfluss der Trainingsdatenmenge auf die Registrierung. Unsere Methode verspricht medizinische Bildanalyse- und -verarbeitungspipelines zu beschleunigen und gleichzeitig neue Richtungen im lernbasierten Registrieren und dessen Anwendungen zu ermöglichen. Unser Code ist frei verfügbar unter voxelmorph.csail.mit.edu.