Deformable Image Registration, die Schätzung der räumlichen Transformation zwischen verschiedenen Bildern, ist eine zentrale Aufgabe im Bereich der medizinischen Bildgebung. Deep-Learning-Techniken haben sich als effizient für die 3D-Bildregistrierung erwiesen. Allerdings konzentrieren sich aktuelle Registrierungsstrategien häufig ausschließlich auf die Glattheit der Deformation, wodurch komplexe Bewegungsmuster – beispielsweise getrennte oder gleitende Bewegungen – insbesondere an Schnittstellen zwischen Organen übersehen werden. Dadurch ist die Leistungsfähigkeit bei der Behandlung diskontinuierlicher Bewegungen mehrerer benachbarter Objekte eingeschränkt, was zu unerwünschten Vorhersageergebnissen in klinischen Anwendungen führt, wie etwa falscher Identifikation oder Lokalisierung von Läsionen oder anderen Abnormitäten. Um dieses Problem anzugehen, stellen wir eine neuartige Registrierungsmethode vor: Ein neuer Motion-Separable-Backbone wird eingesetzt, um getrennte Bewegungen zu erfassen, wobei eine theoretische Analyse der Obergrenze der Diskontinuität der Bewegungen bereitgestellt wird. Zudem wird ein neuartiges Residual Aligner-Modul verwendet, um die vorhergesagten Bewegungen über mehrere benachbarte Objekte/Organe zu entkoppeln und zu verfeinern. Wir evaluieren unsere Methode, das Residual Aligner-basierte Netzwerk (RAN), an abdominellen Computertomographie-(CT)-Scans und zeigen, dass sie eine der präzisesten unsupervisierten Inter-Subjekt-Registrierungen für die neun Organe erreicht. Dabei erzielt sie die besten Ergebnisse für die Venen (Dice-Ähnlichkeitskoeffizient [%]/mittlere Oberflächenentfernung [mm]: 62%/4,9 mm für die Vena cava und 34%/7,9 mm für die Pfortader und Milzvene), wobei sie gegenüber state-of-the-art-Methoden eine geringere Modellgröße und geringeren Rechenaufwand aufweist. Zudem erzielt RAN bei der Anwendung auf Lungen-CT-Daten Ergebnisse, die mit den besten bestehenden Netzwerken vergleichbar sind (94%/3,0 mm), ebenfalls mit weniger Parametern und geringerem Rechenaufwand.