关于代码的详情可参见CSDN博客。
代码的目录结构如下：
Checkpoint：存放训练好的模型的文件夹；Log：存放日志文件的文件夹，记录各个参数下各种loss值的变化；Modelconfig.py：模型配置文件，用来指定学习率、训练次数、loss权重、batch size、保存间隔等，分为三部分，分别是公共参数、训练时参数和测试时参数；datagenerators.py：根据图像文件的路径提供数据，使用了torch.utils.data包来实现的；losses.py：各种损失函数的计算，包括形变场平滑性损失、MSE、DSC、NCC、CC、雅克比行列式中负值个数等；model.py：配准网络（U-Net）和空间变换网络（STN）的实现，并且将两者进行了模块化分离。
Result：存放训练和测试过程中产生的图像数据的文件夹；test.py：测试代码；train.py：训练代码。
我通过调参得到的最优参数（对于LPBA40数据集来说）如下：学习率为0.0004，模型选用vm2版本，迭代训练1.5w次，选用NCC作为图像相似性损失，正则项的权重为4.0，batch size设为1。在测试集上测得的DSC值为0.6855077809012164，作为对比，ANTs包中的SyN算法配准的DSC值为0.6939350219828658。
已经训练好的模型也已经放在了项目的Model文件夹下，你可以通过下载我处理好的LPBA40数据集使用上面的参数得到同样的训练结果，数据集链接如下：https://pan.baidu.com/s/1RgjlNiTVq75-TI8p9q2bkw ，提取码：jyud 。当然，我个人觉得我对原始数据的处理足够简单，只做了裁剪和灰度值局部归一化，自己试着处理一下最好不过了。数据集目录结构如下：
train：训练图像数据，包括S11-S40共30个图像，只进行过裁剪到160 * 192 * 160大小，和局部归一化操作；test：测试图像数据，包括S02-S10共9个图像，只进行过裁剪到160 * 192 * 160大小，和局部归一化操作；label：标签数据，包括S01-S40共40个图像，只进行过裁剪到160 * 192 * 160 大小的操作，无归一化；fixed.nii.gz：即S01图像，作为固定图像。