[发明专利]基于泊松方程和互信息分解的多模态医学图像融合方法

说明书

本发明涉及一种基于泊松方程和互信息分解的多模态医学图像融合方法，属于图像处理领域。本发明目的是将功能代谢图与解剖结构图融合起来。该方法首先对功能代谢图进行IHS变换得到其强度分量X；然后计算X和解剖结构图Y的互信息，以及互信息的分解结果；再根据互信息分解结果构造泊松方程，通过求解泊松方程得到融合了功能态和解剖态信息的强度分量F；最后对强度分量F进行IHS逆变换，得到包含功能态彩色信息以及解剖态结构信息的融合图像。该方法利用功能态图像与解剖态图像的互信息分解结果构造泊松方程，通过求解泊松方程而得到融合结果，不仅使融合结果包含了尽可能多的信息，还提高了不同模态特征的清晰度，特别是解剖态结构特征的细节清晰度。

技术领域

本发明涉及一种医学图像融合方法，特别涉及一种基于泊松方程和互信息分解的多模态医学图像融合方法，该方法主要将功能代谢图和解剖结构图融合起来，提供互补的医学信息，属于医学图像处理领域。

背景技术

现代医学影像技术为医学研究提供了多种模态的医学图像。根据各模态图像所提供的信息内涵，可以将这些图像分为解剖结构图(如CT、MRI)和功能代谢图(如SPECT、PET)。由于成像机制的差异，不同模态的图像往往呈现不同的特色。例如，CT图像中骨骼、植入物等致密结构成像清晰，但是软组织的分辨率较低；而MRI图像则可以高分辨率地反映血管等软组织或器官的解剖结构；PET和SPECT图像可以提供功能代谢信息，但是缺乏必要的解剖结构。为了综合利用不同模态所提供的医学信息，通常将多个模态的医学图像融合在一起进行分析。例如，将解剖结构图和功能代谢图融合起来，利用两者信息的互补性，提高病灶定位与评估的准确性。

目前，针对一般图像的融合问题，已经提出了很多方法。按照融合时数据的表征层次，这些方法可以分为像素级融合、特征级融合和决策级融合。在多模态医学图像融合领域，应用得比较多的是像素级融合，因为像素级融合直接对原始图像进行处理，可以有效保留源图像的细节，准确性较高。按照融合时数据的表现形态，像素级融合又分为空间域融合和变换域融合。空间域融合直接在图像的像素值空间进行融合。变换域融合利用人眼视觉系统多分辨率的特点，通常先对待融合图像进行多尺度变换，然后在变换域进行融合。与空域融合相比，变换域融合得到的图像质量更高，细节更丰富；但是变换域融合在保留不同模态细节特征方面，存在特征边界模糊的现象。

在图像编辑领域，为了实现图像的无缝克隆(seamless cloning)，文献1(PatrickPérez,Michel Gangnet,and Andrew Blake.Poisson Image Edting.ACM Transaction onGraphics,Vol.22,No.3,2003.)提出了基于泊松方程的图像融合方法。该方法为了把感兴趣的源图像区域融入目标图像，首先根据源图像和目标图像的梯度建立一个引导场(guidance field)，然后在引导场的约束下构建泊松方程，通过求解泊松方程得到融合后的图像。泊松图像融合效果取决于引导场的构造。为同时保留源图像和目标图像的特征，通常选用模值更大的梯度或者是梯度的线性组合来构造引导场。理论上，这种构造方法可以直接用于不同模态的医学图像融合。然而，跟一般图像融合不同，不同模态的医学图像并不是完全独立的，对其中一种模态的观察往往会获取一些有关另一种模态的信息。传统的泊松图像融合并没有考虑不同模态之间的相关性，存在丢失某些重要信息的可能。