Wir stellen ein end-to-end Tiefenlern-Framework für die Registrierung von 3D medizinischen Bildern vor. Im Gegensatz zu bestehenden Ansätzen kombiniert unser Framework zwei Registrierungsmethoden: eine affine Registrierung und ein vektoriell parametrisiertes stationäres Geschwindigkeitsfeldmodell (vSVF). Genauer gesagt besteht es aus drei Stufen. In der ersten Stufe prognostiziert ein mehrstufiges affines Netzwerk affine Transformationsparameter. In der zweiten Stufe verwenden wir ein Unet-ähnliches Netzwerk, um einen Impuls zu generieren, aus dem durch Glättung ein Geschwindigkeitsfeld berechnet werden kann. Schließlich nutzen wir in der dritten Stufe eine selbstiterierende kartenzentrierte vSVF-Komponente, um eine nichtparametrische Verfeinerung basierend auf der aktuellen Schätzung des Transformationsfelds zu liefern. Sobald das Modell trainiert ist, wird eine Registrierung in einem einzigen Vorwärtsdurchgang abgeschlossen. Um die Leistung zu bewerten, führten wir longitudinale und zwischen-subjektive Experimente an 3D Magnetresonanztomografien (MRT) des Knies des Osteoarthritis Initiative (OAI)-Datensatzes durch. Die Ergebnisse zeigen, dass unser Framework eine vergleichbare Leistung wie die neuesten medizinischen Bildregistrierungsansätze erreicht, aber viel schneller ist und eine bessere Kontrolle über die Transformationseigenschaften bietet, einschließlich der Fähigkeit, annähernd symmetrische Transformationen zu erzeugen, sowie die Kombination von affiner und nichtparametrischer Registrierung.