Die Bildregistrierung spielt eine wichtige Rolle bei der computerunterstützten Diagnose und Behandlung von Hirnerkrankungen sowie bei der Fernchirurgie. U-Net und seine Varianten werden häufig im Bereich der medizinischen Bildregistrierung eingesetzt und erzielen gute Ergebnisse in Bezug auf Registrierungsgenauigkeit und Registrierungszeit. Bestehende Registrierungsmodelle haben jedoch Schwierigkeiten, Randmerkmale kleiner Strukturen in Bildern bei der Verarbeitung komplexer Bildverformungen zu erlernen, und vernachlässigen die Korrelation kontextueller Informationen auf unterschiedlichen Skalen. Zur Lösung dieser Probleme schlägt dieser Artikel ein Registrierungsmodell vor, das skalenübergreifende Punktkorrespondenz mit multiskaliger Merkmalsfusion kombiniert. Zunächst wird im Encoder des Modells ein Modul für skalenübergreifende Punktkorrespondenz eingeführt, das die Darstellung markanter Bereichsmerkmale und das Erfassen feiner Kantenstrukturen verbessert; anschließend werden im Decoder multiskalige Merkmale fusioniert, um eine umfassendere Merkmalsbeschreibung zu erzeugen; schließlich wird im Modul für multiskalige Merkmalsfusion ein Aufmerksamkeitsmodul integriert, das räumliche und Kanalinformationen hervorhebt. Die experimentellen Ergebnisse an drei Hirn-Magnetresonanztomographie(MR)-Datensätzen zeigen, dass am Beispiel des OASIS-3-Datensatzes die vorgeschlagene Methode die Registrierungsgenauigkeit im Vergleich zu Affine, SyN, VoxelMorph und CycleMorph um 23,5 %, 12,4 %, 0,9 % beziehungsweise 2,1 % verbessert; der ASD-Wert sank im Vergleich zu den genannten Methoden um 1,074, 0,434, 0,043 und 0,076. Das vorgeschlagene Modell kann die Merkmalsinformationen der Bilder besser erfassen, die Registrierungsgenauigkeit verbessern und hat eine wichtige Bedeutung für die Entwicklung der medizinischen Bildregistrierung.

medizinische Bildregistrierung; Encoder-Decoder-Struktur; Merkmalsgewichtung; Merkmalskorrespondenz; Aufmerksamkeitsmechanismus