一种基于双模型的三模态医学图像融合方法及系统技术方案

本发明专利技术公开了一种基于双模型的三模态医学图像融合方法及系统，该方法包括：通过bitonicX滤波器对多模态医学图像进行三层分解处理；对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果；对初步的多模态医学图像融合结果与多模态医学图像进行分解，得到对应待融合多模态医学图像；将待融合多模态医学图像依次进行融合与相加处理，得到最终多模态医学图像融合结果。该系统包括：第一分解模块、第一融合模块、第二分解模块和第二融合模块。通过使用本发明专利技术，能够将不同模态医学图像的有用信息整合，提供高质量的融合结果。本发明专利技术作为一种基于双模型的三模态医学图像融合方法及系统，可广泛应用于图像融合技术领域。广泛应用于图像融合技术领域。广泛应用于图像融合技术领域。

【技术实现步骤摘要】
一种基于双模型的三模态医学图像融合方法及系统


[0001]本专利技术涉及图像融合
，尤其涉及一种基于双模型的三模态医学图像融合方法及系统。

技术介绍

[0002]医学成像具有多样性，解剖性医学图像如计算机断层扫描可以准确反映密度差异较小的组织或器官的结构信息，磁共振成像(MRI)具有较好的软组织对比度，MR
‑
T1成像可以反映肿瘤的核心区域，而MR
‑
T2成像可以凸显肿瘤区域和瘤周水肿，功能性医学图像如单光子发射计算机断层扫描(SPECT)和正电子发射计算机断层显像(PET)可以反映新陈代谢，血液流动等生理信息，但是，单一的成像方式仅能为预期目的提供有限的诊断信息，对医生的病症诊断而言，医生需要对相同部位不同模态图像逐个分析，诊断效率和诊断准确性受到了一定的约束。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于双模型的三模态医学图像融合方法及系统，能够将不同模态医学图像的有用信息整合，提供高质量的融合结果。
[0004]本专利技术所采用的第一技术方案是：一种基于双模型的三模态医学图像融合方法，包括以下步骤：
[0005]通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像；
[0006]基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果；
[0007]基于bitonicX滤波器对初步的多模态医学图像融合结果与多模态医学图像进行分解，得到对应的待融合多模态医学图像；
[0008]将待融合多模态医学图像依次进行融合与相加处理，得到最终的多模态医学图像融合结果。
[0009]进一步，所述通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像这一步骤，其具体包括：
[0010]获取多模态医学图像，所述多模态医学图像包括第一多模态医学图像、第二多模态医学图像和第三多模态医学图像；
[0011]通过bitonicX滤波器对第一多模态医学图像与第二多模态医学图像进行滤波处理，得到对应的待融合能量层和待融合细节层；
[0012]通过bitonicX滤波器对待融合能量层进行二次滤波处理，得到待融合的次能量层；
[0013]将待融合能量层与待融合的次能量层进行相减处理，得到待融合纹理层；
[0014]整合待融合次能量层、待融合细节层和待融合纹理层，构建分解后的待融合多模
态医学图像。
[0015]进一步，所述基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果这一步骤，其具体包括：
[0016]考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层；
[0017]基于耦合神经P系统的融合策略对分解后的待融合多模态医学图像中的待融合纹理层进行融合处理，得到融合的纹理层；
[0018]基于“绝对值取大”的融合规则对分解后的待融合多模态医学图像中的待融合能量层进行融合处理，得到融合的能量层；
[0019]将融合的细节层、融合的纹理层和融合的能量层进行相加处理，得到初步的多模态医学图像融合结果。
[0020]进一步，所述考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层这一步骤，其具体包括：
[0021]计算第一多模态医学图像与第二多模态医学图像的多尺度形态学梯度并取绝对值，得到第一梯度值与第二梯度值；
[0022]将第一梯度值与第二梯度值输入至参数自适应耦合神经网络进行自适应计算，得到第一动态阈值和第二动态阈值；
[0023]将第一动态阈值和第二动态阈值进行比较，并根据比较结果生成第一决策图与第二决策图；
[0024]将第一决策图和第二决策图分别与第一多模态医学图像和第二多模态医学图像进行相乘，得到融合的细节层。
[0025]进一步，所述基于耦合神经P系统的融合策略的表达式具体如下所示：
[0026][0027][0028][0029]上式中，I
t
表示待融合的纹理层，M
t
(i,j)表示初始决策图，表示一致性验证后得到的决策图，分别表示神经元σ
i,j
在和中的点火次数，和分别表示第一多模态医学图像和第二多模态医学图像纹理层对应的CNP系统，Ω表示一致性验证窗口大小，a、b分别表示距离(i,j)的水平和垂直像素距离。
[0030]进一步，所述“绝对值取大”的融合规则的表达式具体如下所示：
[0031][0032][0033]上式中，表示第一多模态医学图像和第二多模态医学图像子能量层像素比较大小得到的决策图，I
e1
(i,j)表示第一多模态医学图像和第二多模态医学图像的融合能量层，表示第一多模态医学图像的待融合能量层，表示第二多模态医学图像的待融合能量层。
[0034]进一步，所述待融合多模态医学图像包括初步的多模态医学图像融合结果的预融合细节层、初步的多模态医学图像融合结果的预融合能量层、初步的多模态医学图像融合结果的预融合纹理层、第三多模态医学图像的预融合细节层和第三多模态医学图像的预融合能量层，所述将待融合多模态医学图像依次进行融合与相加处理，得到最终的多模态医学图像融合结果这一步骤，其具体包括：
[0035]引入梯度能量清晰算子，对待融合多模态医学图像的预融合细节层与初步的多模态医学图像融合结果的预融合细节层进行融合处理，得到融合后的细节层；
[0036]基于“绝对值取大”的融合规则对待融合多模态医学图像的预融合能量层进行融合处理，得到融合后的能量层；
[0037]将融合后的细节层与融合后的能量层进行相加处理，得到最终的多模态医学图像融合结果。
[0038]进一步，所述引入梯度能量清晰算子，对待融合多模态医学图像的预融合细节层与初步的多模态医学图像融合结果的预融合细节层进行融合处理，得到融合后的细节层这一步骤，其具体包括：
[0039]通过梯度能量清晰算子对待融合多模态医学图像的预融合细节层和初步的多模态医学图像融合结果的预融合细节层进行像素活跃性测量，得到待融合多模态医学图像的显著图和初步的多模态医学图像融合结果的显著图；
[0040]对初步的多模态医学图像融合结果的显著图与待融合多模态医学图像的显著图的像素依次进行比较与一致性检测，得到待融合多模态医学图像细节层的决策图；
[0041]基于预设的细节层融合规则对初步的多模态医学图像融合结果、第三多模态医学图像与待融合多模态医学图像细节层的决策图进行融合处理，得到融合后的细节层。
[0042]所述预设的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双模型的三模态医学图像融合方法，其特征在于，包括以下步骤：通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像；基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果；基于bitonicX滤波器对初步的多模态医学图像融合结果与多模态医学图像进行分解，得到对应的待融合多模态医学图像；将待融合多模态医学图像依次进行融合与相加处理，得到最终的多模态医学图像融合结果。2.根据权利要求1所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述通过bitonicX滤波器对多模态医学图像进行三层分解处理，得到分解后的待融合多模态医学图像这一步骤，其具体包括：获取多模态医学图像，所述多模态医学图像包括第一多模态医学图像、第二多模态医学图像和第三多模态医学图像；通过bitonicX滤波器对第一多模态医学图像与第二多模态医学图像进行滤波处理，得到对应的待融合能量层和待融合细节层；通过bitonicX滤波器对待融合能量层进行二次滤波处理，得到待融合的次能量层；将待融合能量层与待融合的次能量层进行相减处理，得到待融合纹理层；整合待融合次能量层、待融合细节层和待融合纹理层，构建分解后的待融合多模态医学图像。3.根据权利要求2所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述基于预设的融合规则，对分解后的待融合多模态医学图像依次进行融合与相加处理，得到初步的多模态医学图像融合结果这一步骤，其具体包括：考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层；基于耦合神经P系统的融合策略对分解后的待融合多模态医学图像中的待融合纹理层进行融合处理，得到融合的纹理层；基于“绝对值取大”的融合规则对分解后的待融合多模态医学图像中的待融合次能量层进行融合处理，得到融合的能量层；将融合的细节层、融合的纹理层和融合的能量层进行相加处理，得到初步的多模态医学图像融合结果。4.根据权利要求3所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述考虑多模态医学图像的梯度信息，通过结合多尺度形态学梯度算子和参数自适应耦合神经网络对分解后的待融合多模态医学图像中的待融合细节层进行融合处理，得到融合的细节层这一步骤，其具体包括：计算第一多模态医学图像与第二多模态医学图像的多尺度形态学梯度并取绝对值，得到第一梯度值与第二梯度值；将第一梯度值与第二梯度值输入至参数自适应耦合神经网络进行自适应计算，得到第
一动态阈值和第二动态阈值；将第一动态阈值和第二动态阈值进行比较，并根据比较结果生成第一决策图与第二决策图；将第一决策图和第二决策图分别与第一多模态医学图像和第二多模态医学图像进行相乘，得到融合的细节层。5.根据权利要求4所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述基于耦合神经P系统的融合策略的表达式具体如下所示：基于耦合神经P系统的融合策略的表达式具体如下所示：基于耦合神经P系统的融合策略的表达式具体如下所示：上式中，I
t
表示待融合的纹理层，M
t
(i,j)表示初始决策图，表示一致性验证后得到的决策图，分别表示神经元σ
i,j
在和中的点火次数，和分别表示第一多模态医学图像和第二多模态医学图像纹理层对应的CNP系统，Ω表示一致性验证窗口大小，a、b分别表示距离(i,j)的水平和垂直像素距离。6.根据权利要求5所述一种基于双模型的三模态医学图像融合方法，其特征在于，所述“绝对值取...

【专利技术属性】
技术研发人员：李小松，接玉婵，张柏成，欧振声，
申请(专利权)人：广东珠江开关有限公司，
类型：发明
国别省市：