画像登録は医療画像解析における基盤的なタスクである。理想的には、登録処理は意味的に対応するボクセル、すなわち同一の解剖学的部位を正確に一致させるべきである。しかし、従来の手法は通常、強度値や手作業で設計された特徴量に基づいて類似性尺度を最適化するため、解剖学的意味情報が欠如している。このような類似性尺度は、大規模な変形、複雑な解剖学的差異、またはマルチモダリティ画像が存在する場合、非最適な解像結果をもたらす可能性がある。本研究では、自己教師付き解剖学的埋め込み（Self-supervised Anatomical eMbedding, SAM）アルゴリズムを基盤とし、ボクセルレベルで二つの画像間の密な解剖学的対応関係を計算可能な高速かつ高精度な教師なし3次元医療画像登録手法を提案する。本手法を「SAM強化型登録（SAM-Enhanced registration, SAME++）」と命名し、アフィン変換、粗い変形、深層非パラメトリック変換、インスタンス最適化の4段階に分けて登録を実現する。SAM埋め込みを用いることで、各段階においてより一貫性のある対応関係を推定し、意味的なガイダンスを有する特徴量を提供する。SAME++は、異なる身体部位における3つの挑戦的な被験者間登録タスクにおいて、50以上のラベル付き臓器を用いて広範な評価を実施した。完全な登録フレームワークとしてのSAME++は、Diceスコアにおいて最先端手法を4.2%～8.2%上回り、数値最適化に基づく従来手法と比べて桁違いに高速である。コードは以下のURLから公開されている：\url{https://github.com/alibaba-damo-academy/same}。