[发明专利]基于多尺度各向异性分解和低秩分析的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多尺度各向异性分解和低秩分析的多模态医学图像融合方法。

背景技术

在临床医学中，通常单一模态的医学影响无法满足医护人员的边随着医学影像技术的不断发展，出现了许多先进的成像设备来反映人体脏器和病变组织的各种信息，也为临床的医疗诊断提供了多种模态的医学图像，这些图像可分为解剖结构图像(例如：B超、CT、MRI)和功能图像(例如：PET、SPECT)两大类，由于成像原理的差异，不同种类的图像也具有各自的优缺点。例如CT图像具有较高的空间分辨率和几何特性，能够非常清晰地呈现人体骨骼，便于提供良好的病灶定位，但对人体软组织的检测效果较差,而人体组织在MRI图像中成像效果较好，有利于病灶范围的确定，但易受到电磁干扰产生几何失真；SPECT、PET可反映人体组织器官的代谢水平和血流状况，能有效的检测肿瘤病变，但其具有较低的空间分辨率，难以得到精确的解剖结构，不利于分辨组织、器官的边界。由此可知不同的成像原理提供了互补的信息。因此多模态医学图像的融合可以为临床诊断提供更加丰富的病变组织或器官的信息，便于医护人员做出更加准确的诊断和制定更加合适的治疗方案。

常用的方法可分为两种，一种是基于变换策略来实现图像的多尺度表示；另外一种方法是利用几何多尺度分析工具实现图像的多尺度表示，然后利用融合规则将不同尺度下的信息进行融合。变换策略图像融合法通常包括基于IHS(Intensity-Hue-Saturation)和PCA(Principal Component Analysis)的两种方法，但由于采用了随意的融合规则，基于IHS框架的融合算法通常造成图像失真和谱扭曲。基于小波的融合的典型代表有基于Curvelets、Contourlets、NSCT和Shearlets等，其成功的重点在于主要利用了小波良好的高低频分离特性，对不同的子带采用马尔科夫链等方法来计算数据相关的融合权重，实现不同模态的图像融合。该类方法的主要缺点在于所使用的小波核函数与所处理的数据无关，无法有效的提取不同方向的细节信息，因此存在融合图像缺乏细节的缺点。

目前多模态医学图像融合的关键技术在于如何实现结构意识的多尺度图像表示，如何从不同模态的医学图像中分离出互补性的显著信息，如何保证互补性的信息能有效的融合到最终的图像中等。

为了解决上述问题，本发明基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法，该方法通过构建数据相关的热核，实现结构保护的图像多尺度分解，并同构图像金字塔和分块策略实现了大尺度和小尺度结构信息的有效保护，同时利用CUDA计算提高了算法的计算速度；基于所获得的多尺度图像，分组构建低秩分析，提取小尺度范围内固有的显著信息，有效的滤除噪声，提高了算法的抗噪性，并构建基于显著信息的多尺度融合空间，利用尺度意识的S型权重函数实现不同尺度下的信息融合，有效解决了互补信息融合问题。

发明内容

本发明要解决的技术问题是：克服了现有滤波器的数据无关性以及结构意识的不足，提供了一种基于热核金字塔的各向异性图像处理多尺度表示方法。并通过使用基于分块策略和CUDA技术，提高了所发明的算法的实际可行性。克服了通常融合算法对小尺度细节信息融合的不足，提出了一种基于低秩分析的显著信息尺度空间构建方法；克服了均值最大值融合策略存在的对比度问题，提出了尺度意识的S型权重融合方法。

本发明采用的技术方案为：一种基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法，包括以下几部分：

步骤(1)、基于热核的多尺度图像表示：将输入的多模态图像转换到IHS颜色空间，对图像的I颜色通道构建图像金字塔，将每一层图像分为重叠的块，并利用Delaunay三角化方法对其网格化，基于所构建的网格，利用cotangent方法建立相对应的拉普拉斯矩阵，所构建的拉普拉斯矩阵固有的潜入了图像的结构信息，通过求解广义特征问题获取最小的N个特征值和所对应的特征向量，构造数据相关的热核，因此热核具有数据相关性、结构意识和各向异性性，通过所够构建的热核与图像进行卷积获得不同尺度下的图像表示。同时为了减少拉普拉斯矩阵构建和多尺度卷积的时间，该步骤采用了CUDA实现技术；