一种基于分频域融合的多模态医学图像融合方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984157A(43)申请公布日2023.04.18(21)申请号202310131023.5G06T5/20(2006.01)(22)申请日2023.02.17G06V10/82(2022.01)G06V10/40(2022.01)(71)申请人安徽理工大学G06V10/54(2022.01)地址232000安徽省淮南市泰丰大街168号G06N3/0464(2023.01)申请人合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室）(72)发明人赵婉婉方贤进杨高明张海永程颖李想薛明均华楷文李琪亚(74)专利代理机构合肥昊晟德专利代理事务所(普通合伙)34153专利代理师何梓秋(51)Int.Cl.G06T5/50(2006.01)G06T5/00(2006.01)权利要求书3页说明书9页附图5页(54)发明名称一种基于分频域融合的多模态医学图像融合方法(57)摘要本发明公开了一种基于分频域融合的多模态医学图像融合方法，属于医学图像融合技术领域，包括以下步骤：S1：源图像分解；S2：分频域融合；S3：去噪处理；S4：重构处理。本发明通过分解获取源图像不同结构和纹理细节信息，分解后的图像对比离散小波变换很大程度上减少了噪声的出现；对高频部分的融合方式能够有效的提取图像的结构和细节信息，并且能够减少噪声的出现，对结构纹理部分的融合方法结合深度学习的特点有效的提取图像特征，最后采用的高斯平滑操作能够减少该部分噪声的出现；融合之后的图片结合了不同模态的特征，有利于医生临床上的诊断治疗。CN115984157ACN115984157A权利要求书1/3页1.一种基于分频域融合的多模态医学图像融合方法，其特征在于，包括以下步骤：S1：源图像分解将配准好的源图像A和源图像B输入到加权最小二乘滤波器，进行二层分解，得到高频部分和低频部分，对于低频部分将其经过间接梯度滤波进行结构纹理分解，最终得到三层分解图像，分别为高频部分、纹理部分和结构部分；S2：分频域融合对分解后的源图像A和源图像B的各个部分的图像进行分频域融合，进而得到高频融合图、结构融合图与纹理融合图；S3：去噪处理对得到的结构融合图与纹理融合图进行高斯平滑处理，得到去噪之后的特征图像；S4：重构处理采用加权最小二乘滤波和间接梯度滤波的逆变换处理，即将高频融合图、结构融合图与纹理融合图经过去噪之后特征图像进行相加，得到最终的融合图像。2.根据权利要求1所述的一种基于分频域融合的多模态医学图像融合方法，其特征在于：在所述步骤S1中，源图像A、源图像B分别为同一患者脑部同一部位的源MRI图像、源CT图像。3.根据权利要求1所述的一种基于分频域融合的多模态医学图像融合方法，其特征在于：在所述步骤S1中，具体包括以下过程：S11：采用加权最小二乘滤波器将第i个源图像Ii分解为两部分，分别为低频部分和高频部分S12：将低频部分放入到间接梯度滤波器，采用以下公式重新调节低频部分图像的梯度和相应的间接梯度：其中，π是中心像素p的相邻像素，I是离散信号，是重新调整后的梯度,Wp是重新调整后的权重，定义如下：其中，ε为常数；S13：为了得到低频部分的滤波结果，首先定义一个暂时信号R，对于每个暂时信号R，1D引导过滤过程寻找最好的线性变换系数ap和bp，使其最小化，如下公式所述：其中，β是平滑参数，σ是尺度参数，Wn是高斯权重，定义如下：2CN115984157A权利要求书2/3页结构部分由以下公式获得：Sp＝gσ(ap)Rp+gσ(bp)纹理部分由以下公式获得：4.根据权利要求3所述的一种基于分频域融合的多模态医学图像融合方法，其特征在于：在所述步骤S2中，对于高频部分，引入相位一致性、局部锐度变化和局域能量来共同调节融合图像的信息，得到高频融合图。5.根据权利要求4所述的一种基于分频域融合的多模态医学图像融合方法，其特征在于：在所述步骤S2中，得到高频融合图的具体过程如下：S201：将图像视为一个二维信号，图像在(x，y)位置的相位一致性通过以下公式计算：其中，θk是在k处的方向角，和θk分别表示第k个傅里叶分量的振幅和角度；参数ε是常数，用于去除图像信号中的直流成分，由下式计算：其中，和是输入图像在(x，y)处的卷积结果；S202：引入锐度变化，锐度变化的计算公式如下：其中，Ω表示在(x,y)处输入大小为3×3的一个局部区域，(x0,y0)表示局部区域Ω中的一个像素点；同时，计算(x,y)邻域系数，局部锐度变化的计算公式如下：S203：引入局域能量，计算公式如下：S204：最终得到NAM算法公式如下：NAM(x,y)＝(PC(x,y))α1·(LSCM(x,y))β1·(LE(x,y))γ1其中，α1、β1、γ1是用来调节P