O registro de imagens desempenha um papel importante no diagnóstico assistido por computador de doenças cerebrais e em cirurgias remotas. Redes U-Net e suas variantes são amplamente aplicadas no campo do registro de imagens médicas, obtendo bons resultados em precisão e tempo de registro. No entanto, os modelos de registro existentes têm dificuldade em aprender características de borda de pequenas estruturas em imagens com deformações complexas, além de negligenciar a correlação das informações contextuais em diferentes escalas. Para resolver essas questões, este artigo propõe um modelo de registro baseado na correspondência de pontos entre escalas combinado com a fusão de características multiescala. Primeiramente, é introduzido no codificador do modelo um módulo de correspondência de pontos entre escalas, que reforça a expressão das características das áreas evidentes da imagem e a captura dos detalhes das bordas das pequenas estruturas; em seguida, na estrutura do decodificador, realiza-se a fusão das características multiescala para formar uma descrição mais abrangente; finalmente, no módulo de fusão de características multiescala, integra-se um módulo de atenção que destaca as informações espaciais e de canal. Os resultados experimentais em três conjuntos de dados de ressonância magnética cerebral (MR) indicam que, no conjunto de dados OASIS-3, o método proposto melhora a precisão do registro em 23,5%, 12,4%, 0,9% e 2,1% em comparação com Affine, SyN, VoxelMorph e CycleMorph, respectivamente; o valor ASD diminuiu 1,074, 0,434, 0,043 e 0,076 em relação a esses métodos. O modelo proposto pode capturar melhor as informações características da imagem, elevando a precisão do registro, e tem significativa importância para o desenvolvimento do registro de imagens médicas.

registro de imagens médicas; estrutura codificador-decodificador; ponderação de características; correspondência de características; mecanismo de atenção