画像登録は、脳疾患のコンピュータ支援診断や遠隔手術などで重要な役割を果たしています。U-Netおよびその変種ネットワークは、医用画像登録の分野で広く応用されており、登録精度と登録時間の両面で良好な成果を上げています。しかし、既存の登録モデルは複雑な画像変形の処理において、画像中の微細構造の端部特徴を学習することが難しく、異なるスケールの文脈情報の関連性を無視しています。これらの問題に対処するため、本論文では、クロススケール点マッチングとマルチスケール特徴融合を組み合わせた登録モデルを提案します。まず、モデルのエンコーダ構造にクロススケール点マッチングモジュールを導入し、画像の突出領域特徴の表現および微細構造の端部詳細特徴の把握を強化します。次に、デコーダ構造においてマルチスケール特徴を融合させ、より包括的な特徴記述を形成します。最後に、マルチスケール特徴融合モジュールに注意モジュールを組み込み、空間およびチャネルの情報を強調します。3つの脳磁気共鳴（MR）データセットでの実験結果から、OASIS-3データセットを例に本手法はAffine、SyN、VoxelMorph、CycleMorphと比較して登録精度をそれぞれ23.5％、12.4％、0.9％、2.1％向上させました。ASD値は各手法に対してそれぞれ1.074、0.434、0.043、0.076低減しました。本論文で提案するモデルは画像の特徴情報をより良く把握し、登録精度を向上させ、医用画像登録の発展に重要な意義を持ちます。

医用画像登録;エンコーダ-デコーダ構造;特徴重み付け;特徴マッチング;注意機構