L’alignement d’images est une tâche fondamentale en analyse d’images médicales. Idéalement, cet alignement devrait se concentrer sur l’alignement des voxels correspondant sémantiquement, c’est-à-dire des localisations anatomiques identiques. Toutefois, les méthodes existantes optimisent souvent des mesures de similarité calculées directement à partir des intensités ou à partir de caractéristiques manuellement conçues, qui manquent d’information sémantique anatomique. Ces mesures de similarité peuvent conduire à des solutions sous-optimales, notamment en présence de grandes déformations, de différences anatomiques complexes ou d’images multi-modalités. Dans ce travail, nous proposons une méthode rapide et précise pour l’alignement 3D non supervisé d’images médicales, basée sur un algorithme d’embedding anatomique auto-supervisé (SAM), capable de calculer des correspondances anatomiques denses entre deux images au niveau du voxel. Nous appelons notre approche SAME++ (SAM-Enhanced registration), qui décompose l’alignement d’images en quatre étapes : transformation affine, déformation grossière, transformation non paramétrique profonde et optimisation d’instances. En exploitant les embeddings SAM, nous améliorons ces étapes en identifiant des correspondances plus cohérentes et en fournissant des caractéristiques offrant une meilleure guidance sémantique. Nous avons évalué de manière exhaustive SAME++ sur plus de 50 organes annotés, dans trois tâches difficiles d’alignement inter-sujets portant sur différentes régions du corps. En tant que cadre complet d’alignement, SAME++ dépasse significativement les méthodes de pointe, avec une amélioration de 4,2 % à 8,2 % en score Dice, tout en étant plusieurs ordres de grandeur plus rapide que les méthodes basées sur une optimisation numérique. Le code est disponible à l’adresse suivante : \url{https://github.com/alibaba-damo-academy/same}.