O registro de imagens médicas tem grande importância em aplicações clínicas, como a criação de atlas e a comparação de imagens em séries temporais. Atualmente, os métodos de registro baseados em aprendizado profundo atendem melhor às exigências de tempo real clínico em comparação com os métodos tradicionais, mas a precisão do registro ainda precisa ser aprimorada. Com base nisso, este artigo propõe um modelo de registro, MAMReg-Net, que combina atenção residual mista e restrições multiresolução para realizar o registro não rígido unimodal de imagens de ressonância magnética cerebral (MRI). Esse modelo, ao adicionar o módulo de atenção residual mista, pode obter simultaneamente uma grande quantidade de informações locais e não locais, extraindo características mais eficazes da estrutura interna do cérebro durante o treinamento da rede. Em segundo lugar, utiliza uma função de perda multiresolução para otimizar a rede, possibilitando um treinamento mais eficiente e robusto. Em 12 estruturas anatômicas das imagens T1 de RM cerebral, a pontuação média de Dice atingiu 0,817, o valor médio de ASD foi 0,789 e o tempo médio de registro foi de apenas 0,34 segundos. Os resultados experimentais mostram que o modelo de registro MAMReg-Net pode aprender melhor as características estruturais do cérebro, melhorando efetivamente a precisão do registro e atendendo às exigências de tempo real clínico.

Processamento de imagens médicas;registro unimodal;aprendizado profundo;mecanismo de atenção;restrições multiresolução