Nous présentons VoxelMorph, un cadre d'apprentissage rapide basé sur des méthodes d'apprentissage pour l'enregistrement déformable de paires d'images médicales. Les méthodes traditionnelles d'enregistrement optimisent une fonction objectif pour chaque paire d'images, ce qui peut être très chronophage pour de grands ensembles de données ou des modèles de déformation complexes. Contrairement à cette approche et en s'appuyant sur les méthodes récentes basées sur l'apprentissage, nous formulons l'enregistrement comme une fonction qui associe une paire d'images d'entrée à un champ de déformation qui aligne ces images. Nous paramétrons cette fonction par le biais d'un réseau neuronal convolutif (CNN), et nous optimisons les paramètres du réseau neuronal sur un ensemble d'images. Étant donné une nouvelle paire de clichés, VoxelMorph calcule rapidement un champ de déformation en évaluant directement la fonction. Dans cette étude, nous explorons deux stratégies différentes d'entraînement. Dans le premier cadre (non supervisé), nous entraînons le modèle pour maximiser des fonctions objectif standard d'appariement d'images basées sur les intensités des images. Dans le deuxième cadre, nous utilisons des segmentations auxiliaires disponibles dans les données d'entraînement. Nous montrons que la précision du modèle non supervisé est comparable aux méthodes les plus avancées actuellement disponibles, tout en opérant beaucoup plus rapidement. Nous montrons également que VoxelMorph entraîné avec des données auxiliaires améliore la précision de l'enregistrement lors des tests, et nous évaluons l'influence de la taille de l'ensemble d'entraînement sur l'enregistrement. Notre méthode promet d'accélérer les pipelines d'analyse et de traitement des images médicales, tout en ouvrant de nouvelles perspectives dans l'enregistrement basé sur l'apprentissage et ses applications. Notre code est librement disponible à l'adresse voxelmorph.csail.mit.edu.