L’enregistrement d’images joue un rôle important dans le diagnostic assisté par ordinateur des maladies cérébrales et la chirurgie à distance. Les réseaux U-Net et leurs variantes sont largement utilisés dans le domaine de l’enregistrement d’images médicales, obtenant de bons résultats en termes de précision et de temps d’enregistrement. Cependant, les modèles existants ont du mal à apprendre les caractéristiques des bords des petites structures dans les images lors du traitement de déformations d’image complexes, et négligent la corrélation des informations contextuelles à différentes échelles. Pour résoudre ces problèmes, cet article propose un modèle d’enregistrement basé sur la mise en correspondance de points multiscale combinée à la fusion de caractéristiques à plusieurs échelles. Premièrement, un module de mise en correspondance de points multiscale est introduit dans la structure d’encodage du modèle pour renforcer l’expression des caractéristiques des zones saillantes de l’image ainsi que la capture des détails des bords des petites structures ; ensuite, les caractéristiques multiscales sont fusionnées dans la structure de décodage pour former une description plus complète ; enfin, un module d’attention est intégré dans le module de fusion des caractéristiques multiscales afin de mettre en évidence les informations spatiales et canaux. Les résultats expérimentaux sur trois ensembles de données d’IRM cérébrale ont montré que, pour l’ensemble de données OASIS-3, la méthode présentée améliore la précision de l’enregistrement de 23,5 %, 12,4 %, 0,9 % et 2,1 % par rapport aux méthodes Affine, SyN, VoxelMorph et CycleMorph respectivement ; la valeur ASD a diminué respectivement de 1,074, 0,434, 0,043 et 0,076. Le modèle proposé peut mieux saisir les informations caractéristiques de l’image, améliorant la précision de l’enregistrement, et a une grande importance pour le développement de l’enregistrement d’images médicales.

enregistrement d’images médicales; structure encodeur-décodeur; pondération des caractéristiques; correspondance des caractéristiques; mécanisme d’attention