[发明专利]基于统计建模的Contourlet域多模态医学图像融合方法

说明书

技术领域

本发明涉及一种基于统计建模的Contourlet域多模态医学图像融合方法，是医学图像处理技术领域的一项融合方法，在临床医学诊断和治疗中有广泛地应用。

背景技术

作为图像融合领域的一个研究分支和研究重点，随着医学影像技术的快速发展，多模态医学图像融合已成为当前国内外的研究热点。不同的医学影像可以提供人体相关脏器和组织的不同信息，如具有较高分辨率的CT和MRI图像提供脏器的解剖形态结构信息，而具有较低分辨率的SPECT和PET图像则提供脏器的功能代谢和血液流动信息。为了弥补单一模态图像信息的不足，为医务工作者提供患者各个器官更为清晰、可靠、准确、全面的描述，有必要通过图像融合方法将不同模态、信息互补的医学影像进行适当的集成，以便了解病变组织或器官的综合信息，从而做出准确的诊断或制订合适的治疗方案。多模态医学图像融合方法是通过处理冗余信息、整合互补信息来提高图像的分辨率，提升视觉效果，增强可识别性，增加图像的准确性，目前已被实际应用于病理分析(Pathologic Analysis)、临床诊断和治疗(Clinical Diagnoses and Therapy)中，且有广泛的研究前景和发展空间。

多模态医学图像融合方法也可大致分为空间域和变换域两类。空间域融合方法是对两幅图像在空间坐标下直接进行运算和叠加，简单直观，但往往不能满足医学应用精确性的要求。变换域融合方法有彩色空间变换法、基于IHS(Intensity-Hue-Saturation--亮度、色度、饱和度)的融合方法、基于主成份分析PCA(Principal Component Analysis)的融合方法、基于拉普拉斯变换LAP(Laplace Transform)的融合方法、基于离散小波变换DWT(Discrete Wavelet Transform)的融合方法以及基于多尺度变换(Multi-scale Decomposition)和脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)相结合的融合方法等。相比于彩色空间变换、PCA等方法易导致光谱失真，基于多尺度分解和PCNN相结合的方法能有效防止图像对比度的降低，保护图像细节特征，因而更适合用于多模态医学图像融合。

2002年，Do和Vetterli在继承小波多尺度分析思想的基础上提出了一种“真正”的二维图像稀疏表示方法-Contourlet变换，其基函数分布于多尺度、多方向上，仅用少量系数即可有效地捕获图像中的边缘轮廓及方向性纹理等细节信息，具有高度的方向敏感性和各向异性(Anisotropic)，很好地弥补了小波变换的不足，故本发明选用Contourlet作为多尺度变换工具。

Contourlet域分解系数在尺度间、方向间和空间邻域内存在极强的统计相关性，作为一种有效的统计建模技术，隐马尔科夫模型HMM(Hidden Markov Model)能够对图像多尺度变换所得系数的非高斯性(Non-Gaussian)、聚集性(Clustering)和持续性(Persistence)进行准确的描述。基于上下文的隐马尔可夫模型CHMM(Contextual HMM)，利用上下文信息(Context Information)来充分、有效地捕获Contourlet域高频方向子带系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性。因此，本发明采用CHMM对医学图像高频方向子带进行统计建模。

为了提高融合图像的性能，融合规则的选取同样至关重要。通常，取平均、加权取平均或绝对值取大是比较常用的低频系数融合策略，本发明中选用基于区域绝对值和取大的融合规则，更好地保持了图像的对比度。而高频系数通常采用绝对值取大或基于区域特征取大的融合策略，但这些方案均未考虑子带系数不同尺度、不同方向之间潜在的相关性。为了充分提取待融合图像中的互补信息，避免有效细节的丢失，本发明提出改进的脉冲耦合神经网络M-PCNN(Modified PCN)并设计高频融合规则，并使用改进的拉普拉斯能量和SML(Sum-Modified-Laplacian)作为M-PCNN神经元的外部激励输入，CHMM训练参数计算边缘概率密度函数Edge PDF的归一化值作为其链接强度(Linking Strength)取值，获得了较优的融合结果，提高了融合图像的质量。

发明内容