Регистрация изображений играет важную роль в компьютерной поддержке диагностики и лечения заболеваний мозга, а также в дистанционной хирургии. Сети U-Net и их вариации широко применяются в области медицинской регистрации изображений, показывая хорошие результаты как по точности регистрации, так и по времени выполнения. Однако существующие модели регистрации испытывают трудности при обработке сложных деформаций изображений, не способны эффективно извлекать краевые признаки мелких структур и игнорируют связь контекстной информации на разных масштабах. Для решения этих проблем в статье предлагается модель регистрации, основанная на сквозном совпадении точек с последующим объединением многоуровневых признаков. Во-первых, в энкодер модели введён модуль сквозного совпадения точек, который усиливает представление выделенных областей изображения и точное захватывание краевой информации мелких структур; затем во всём декодере происходит слияние признаков разных масштабов для получения более полного описания; наконец, в модуле объединения многоуровневых признаков интегрирован механизм внимания, выделяющий пространственную и канальную информацию. Эксперименты на трёх наборах данных магнитно-резонансной томографии (МР) мозга показали, что на примере набора данных OASIS-3 предложенный метод улучшил точность регистрации по сравнению с методами Affine, SyN, VoxelMorph и CycleMorph на 23,5%, 12,4%, 0,9% и 2,1% соответственно; значение ASD снизилось на 1,074, 0,434, 0,043 и 0,076 соответственно. Предложенная модель лучше улавливает признаковую информацию изображения, повышая точность регистрации, что имеет значимое значение для развития медицинской регистрации изображений.

медицинская регистрация изображений;структура кодировщик-декодировщик;взвешивание признаков;совпадение признаков;механизм внимания