의료 영상 정합은 아틀라스 생성 및 시계열 영상 비교 등 임상 응용에서 중요한 의미를 갖는다. 현재 딥러닝 기반 정합 방법은 기존 방법에 비해 임상 실시간 요구를 더 잘 충족하지만, 정합 정확도는 여전히 향상이 필요하다. 이에 본 논문에서는 잔차 혼합 어텐션과 다중 해상도 제약을 결합한 정합 모델 MAMReg-Net을 제안하여 뇌 자기공명영상(MRI)의 단일 모달 비강직성 영상 정합을 실현하였다. 이 모델은 잔차 혼합 어텐션 모듈을 추가하여 로컬 및 비로컬 정보를 동시에 대량으로 확보하고, 네트워크 학습 과정에서 뇌 내부 구조 특징을 더욱 효과적으로 추출한다. 또한 다중 해상도 손실 함수를 사용하여 네트워크를 최적화하여 더 효율적이고 안정적인 학습을 달성한다. 뇌 T1 MR 영상 내 12개 해부학적 구조에서 평균 Dice 점수는 0.817, 평균 ASD 값은 0.789, 평균 정합 시간은 단 0.34초에 불과하다. 실험 결과 MAMReg-Net 정합 모델은 뇌 구조 특징을 더 잘 학습하여 정합 정확도를 효과적으로 향상시키며 임상 실시간 요구를 충족함을 보여준다.

의료 영상 처리;단일 모달 정합;딥러닝;어텐션 메커니즘;다중 해상도 제약