이미지 정합은 뇌 질환의 컴퓨터 지원 진단 및 원격 수술 등에서 중요한 역할을 합니다. U-Net 및 그 변형 네트워크는 의료 영상 정합 분야에서 널리 사용되며, 정합 정확도와 정합 시간에서 좋은 성과를 얻고 있습니다. 그러나 기존 정합 모델은 복잡한 이미지 변형을 처리할 때 미세한 구조의 경계 특징을 학습하기 어려우며, 서로 다른 스케일의 컨텍스트 정보 연관성을 무시합니다. 이러한 문제를 해결하기 위해 본 논문은 교차 스케일 점 매칭과 다중 스케일 특징 융합을 결합한 정합 모델을 제안합니다. 먼저, 모델의 인코딩 구조에 교차 스케일 점 매칭 모듈을 도입하여 이미지의 돌출 영역 특징 표현과 미세 구조 경계 세부 특징 파악을 강화합니다; 다음으로, 디코딩 구조에서 다중 스케일 특징을 융합하여 보다 포괄적인 특징 설명을 형성합니다; 마지막으로, 다중 스케일 특징 융합 모듈에 주의 모듈을 통합하여 공간 및 채널 정보를 강조합니다. 세 개의 뇌 자기공명영상(MR) 데이터 세트에서의 실험 결과, 예를 들어 OASIS-3 데이터 세트에서 제안 방법은 Affine, SyN, VoxelMorph, CycleMorph와 비교하여 정합 정확도를 각각 23.5%, 12.4%, 0.9%, 2.1% 향상시켰으며; ASD 값은 각 방법 대비 1.074, 0.434, 0.043 및 0.076 감소하였습니다. 제안된 모델은 이미지의 특징 정보를 보다 잘 파악하여 정합 정확도를 높이며, 의료 영상 정합 발전에 중요한 의의를 가집니다.

의료 영상 정합; 인코더-디코더 구조; 특징 가중치; 특징 매칭; 주의 메커니즘