La localización de puntos de referencia médicos es crucial para la planificación del tratamiento. Aunque los métodos de regresión de mapas de calor basados en FCN han avanzado significativamente, existe una falta de investigación basada en FCN enfocada en características que puedan aprender la configuración espacial entre puntos de referencia médicos, a pesar de los patrones bien estructurados de estos puntos de referencia. En este documento, proponemos una red basada en características de configuración espacial que aprende efectivamente la correlación anatómica entre los puntos de referencia. Específicamente, nos enfocamos en un método de regularización y una pérdida de configuración espacial que captura la relación espacial entre los puntos de referencia. Cada mapa de calor, generado utilizando U-Net, se transforma en un vector de características espaciales incrustadas utilizando el método de soft-argmax y mapas de características espaciales, aquí, coordenadas Cartesianas y Polares. Se genera un mapa de correlación entre puntos de referencia basado en el vector de características espaciales y se utiliza para calcular la pérdida, junto con la salida del mapa de calor. Este enfoque adopta un enfoque de aprendizaje de extremo a extremo, que solo requiere una ejecución hacia adelante durante la fase de prueba para localizar todos los puntos de referencia. El método de regularización propuesto es computacionalmente eficiente, diferenciable y altamente paralelizable. Los resultados experimentales muestran que nuestro método puede aprender características contextuales globales entre puntos de referencia y lograr un rendimiento de vanguardia. Se espera que nuestro método mejore significativamente la precisión de la localización cuando se aplique a sistemas de atención médica que requieran una localización precisa de puntos de referencia médicos.