Los métodos de registro de imágenes deformables (DIR) médicas de vanguardia optimizan una suma ponderada de objetivos clave de interés. Tener una combinación de pesos predefinida que conduzca a resultados de alta calidad para cualquier instancia de un problema DIR específico (es decir, una solución de clase) facilitaría la aplicación clínica de DIR. Sin embargo, dicha combinación puede variar ampliamente para cada instancia y actualmente se determina a menudo de forma manual. Un enfoque de optimización multiobjetivo para DIR elimina la necesidad de ajuste manual, proporcionando un conjunto de soluciones de compensación de alta calidad. Aquí, investigamos el aprendizaje automático para una solución de clase multiobjetivo, es decir, no una sola combinación de pesos, sino un conjunto de ellas, que, cuando se utiliza en cualquier instancia de un problema DIR específico, aproxima dicho conjunto de soluciones de compensación. Con este fin, empleamos un algoritmo evolutivo multiobjetivo para aprender conjuntos de combinaciones de pesos para tres problemas de DIR de mama de dificultad creciente: 10 casos en posición prona, 4 casos en posición prona-supina con deformaciones limitadas y 6 casos en posición prona-supina con deformaciones más grandes y artefactos de imagen. Se obtuvieron resultados clínicamente aceptables para los dos primeros problemas. Por lo tanto, para problemas de DIR con deformaciones limitadas, una solución de clase multiobjetivo puede ser aprendida por máquina y utilizada para calcular directamente múltiples resultados de DIR de alta calidad, lo que potencialmente conduce a un uso más eficiente de DIR en la práctica clínica.