В данной статье представлен инновационный метод DARE (Deformable Adaptive Regularization Estimator), предназначенный для решения критической задачи регистрации медицинских изображений с использованием глубокого обучения. Авторы предлагают новый подход к адаптивной регуляризации, который позволяет модели более точно подстраиваться под локальные геометрические особенности тканей, минимизируя артефакты при деформации. В отличие от традиционных методов, DARE обеспечивает высокую гибкость при сохранении топологической целостности структур, что крайне важно для точной сегментации и планирования лечения. Исследование фокусируется на преодолении ограничений стандартных функций потерь, которые часто приводят к чрезмерному сглаживанию или нереалистичным деформациям. Методология включает разработку алгоритма, способного динамически изменять параметры регуляризации в зависимости от локальной сложности изображения. Результаты демонстрируют значительное превосходство предложенного метода в точности сопоставления анатомических структур по сравнению с существующими архитектурами на основе нейронных сетей. Данная разработка имеет высокую практическую значимость для радиологии и хирургической навигации, где точность пространственного совмещения снимков напрямую влияет на успех клинического вмешательства.