Un registro preciso entre imágenes médicas y la anatomía del paciente es crucial para los sistemas de navegación quirúrgica en cirugías mínimamente invasivas. Este estudio introduce un novedoso paso de refinamiento basado en aprendizaje profundo para mejorar la precisión del registro de superficie sin interrumpir los flujos de trabajo establecidos. El método propuesto integra un modelo de aprendizaje automático entre el registro grueso convencional y el registro fino por ICP. Un modelo de aprendizaje profundo fue entrenado utilizando puntos de referencia anatómicos simulados con errores de localización introducidos. La arquitectura del modelo presenta aprendizaje basado en características globales, una estructura de predicción iterativa y procesamiento independiente de componentes rotacionales y traslacionales. La validación con maniquíes de cabeza enmascarados con silicona y tomografía computarizada comparó el método propuesto con el registro convencional y un enfoque reciente de aprendizaje profundo. Los resultados demostraron mejoras significativas en el error de registro objetivo (TRE) en diferentes regiones faciales y profundidades. El TRE promedio para el método propuesto (1.58 +/- 0.52 mm) fue significativamente menor que el del enfoque convencional (2.37 +/- 1.14 mm) y el de aprendizaje profundo anterior (2.29 +/- 0.95 mm) ( < 0.01). El método mostró un rendimiento consistente en varias regiones faciales y mejoró la precisión del registro en áreas más profundas. Este avance podría mejorar significativamente la precisión y la seguridad en procedimientos quirúrgicos mínimamente invasivos.