高级检索

ISSN1001-3806CN51-1125/TN 网站地图

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于ShearLab 3D变换的3维PET/MRI图像融合

郑伟 李涵 安晓林 刘帅奇 张晓丹 马泽鹏

引用本文:
Citation:

基于ShearLab 3D变换的3维PET/MRI图像融合

    作者简介: 郑伟(1972-),女,教授,博士,主要从事图像处理与分析、图像安全通信、图像加密和隐藏研究.
    通讯作者: 马泽鹏, mzpdan@163.com
  • 基金项目:

    河北省自然科学基金资助项目 F2016201142

    河北省自然科学基金资助项目 F2016201187

    河北省机器视觉工程技术研究中心开放课题资助项目 2018HBMV02

    国家自然科学基金资助项目 61572063

    河北省教育厅资助项目 QN2016085

    国家自然科学基金资助项目 61401308

  • 中图分类号: TP391

3-D PET/MRI image fusion based on ShearLab 3D transform

    Corresponding author: MA Zepeng, mzpdan@163.com
  • CLC number: TP391

  • 摘要: 为了解决阿尔茨海默病3维正电子发射断层成像(PET)与核磁共振成像(MRI)相同位置强度不同问题,同时保留MRI大脑皮质、脑回沟、海马体等的萎缩情况, 首先将两幅源图像在统计参量图(SPM)中预处理,再利用3维剪切波系统(ShearLab 3D)最优表达高维数据的能力对图像分解,生成低高频子带,并以方差作为阈值将高频子带分为中高频子带。低频子带使用3维扩展的加权局部能量与改进拉普拉斯算子的加权和加权的融合规则,并引入锐化矩阵为权重参量,使融合图像边缘清晰; 中频子带以绝对值为活动度量增强图像的边缘信息; 高频子带以3个3维底层特征加权融合规则增强图像的细节特征。最后,利用ShearLab 3D逆变换获得PET/MRI图像。结果表明,ShearLab 3D变换的融合结果整体优于空域和小波变换;ShearLab 3D方法中将不同融合规则对比分析,该算法融合结果的平均梯度、空间频率、边缘强度、综合熵分别提高了11.09%,22.58%,152.68%,0.58%,解决了边缘模糊、细节不清晰的问题。该研究为PET/MRI图像融合提供了参考。
  • Figure 1.  PET/MRI image fusion flowchart

    Figure 2.  PET/MRI images in different domains

    Figure 3.  PET/MRI images with different fusion rules in ShearLab 3D domain a—reference [17] fusion results b—algorithm fusion results in this paper

    Table 1.  Objective evaluation of PET/MRI images in different domains

    image IE AG SF EI CE
    Fig. 2c 6.5714 6.1994 16.3993 60.5671 7.1154
    Fig. 2d 6.9897 9.0842 26.4005 87.3432 7.2353
    Fig. 2e 6.1749 7.4962 27.3885 64.0184 6.7275
    Fig. 2f 6.7074 9.1187 26.8547 84.4257 6.7975
    下载: 导出CSV

    Table 2.  Objective evaluation of PET/MRI images with different fusion rules in ShearLab 3D domain

    image IE AG SF EI CE
    Fig. 3a 7.0762 10.5754 29.5454 101.2882 7.0541
    Fig. 3b 7.0280 10.6863 29.7712 102.8150 7.0599
    下载: 导出CSV
  • [1]

    CHENG Zh Q, MA J Q. Evolution and measures of China's population ageing[J]. Academic Exchanges, 2018, 34 (12): 101-109(in Chinese).
    [2]

    GUO H J, LI Y L, WANG J. Analysis of Alzheimer's disease and Parkinson's disease burden[J]. Chronic Pathematology Journal, 2018, 19(11): 55-58(in Chinese).
    [3]

    HUANG R, HUA X S, ZHANG L, et al. Advance in imaging techniques for early diagnosis of Alzheimer's disease[J]. Chinese Journal of Rehabilitation Theory and Practice, 2017, 23(5): 534-538(in Chinese).
    [4]

    ZHENG W, SUN X Q, LI Zh. Image fusion based on shearlet transform and region characteristics[J]. Laser Technology, 2015, 39(1): 50-56(in Chinese).
    [5]

    LIU K, WANG H Q, WU M, et al. Study on fusion method of X-ray images of ancient bronze mirrors based on lifting wavelet[J]. Laser Technology, 2020, 44(1):113-118(in Chinese).
    [6]

    ZHANG J Zh, LI T, WU J. Research of medical image fusion based on wavelet transform[J]. Chinese Journal of Biomedical Engineering, 2008, 27(4): 521-525(in Chinese).
    [7]

    DO M N, VETTERLI M. The contourlet transform: An efficient directional multiresolution image representation[J]. IEEE Transactions on Image Processing, 2006, 14(12): 2091-2106.
    [8]

    SELESNICK I W, BARANIUK R G, KINGSBURY N C. The dual-tree complex wavelet transform[J]. IEEE Signal Processing Magazine, 2005, 22(6): 123-151.
    [9]

    GUO K, LABATE D. Optimally sparse multidimensional representation using shearlet[J]. SIAM Journal on Mathematical Analysis, 2007, 39(1): 298-318.
    [10]

    LABATE D, NEGI P. 3-D discrete shearlet transform and video denoising[J]. IEEE Transactions on Image Processing, 2011, 8138(3): 815-822.
    [11]

    KUTYNIOK G, LIM W Q, REISENHOFER R. ShearLab 3D: Faithful digital shearlet transforms based on compactly supported shearlets[J]. ACM Transactions on Mathematical Software, 2014, 42(1): 1-42.
    [12]

    DUAN X, WANG X G, WANG H, et al. Magnetic resonance image fusion based on three dimensional band limited shearlet transform[J]. Journal of Biomedical Engineering, 2015, 32(1): 181-186(in Chinese).
    [13]

    WANG L, LI B, TIAN L. Multimodal medical volumetric data fusion using 3-D discrete shearlet transform and global-to-local rule[J]. IEEE Transactions on Biomedical Engineering, 2014, 61(1): 197-206.
    [14]

    YANG G Ch. Research on key technologies of medical image fusion based on multi-resolution analysis[D]. Chengdu: University of Electronic Science and Technology, 2016: 89-106 (in Chinese).
    [15]

    YIN M, LIU X, LIU Y, et al. Medical image fusion with parameter-adaptive pulse nonsubsampled shearlet coupled neural network in transform domain transactions[J]. IEEE Transactions on Instrumentation & Measurement, 2019, 68(1): 49-64.
    [16]

    LIAO X. Shearlet transform domain adaptive image watermarking algorithm[J]. Application of Electronic Technique, 2010, 36(10): 137-142(in Chinese).
    [17]

    ZHU Zh Q, ZHENG M Y, QI G Q, et al. A phase congruency and local Laplacian energy based multi-modality medical image fusion method in NSCT domain[J]. IEEE Access, 2019, 7: 20811-20824.
    [18]

    KOVSEI P. Image features from phase congruency[J]. Journal of Computer Vision Research, 1999, 1(3):1-26.
    [19]

    LI H F, QIU H M, YU Zh T, et al. Infrared and visible image fusion scheme based on NSCT and low-level visual features[J]. Infrared Physics & Technology, 2016, 76: 174-184.
  • [1] 陈树越刘金星丁艺 . 基于小波变换的红外与X光图像融合方法研究. 激光技术, 2015, 39(5): 685-688. doi: 10.7510/jgjs.issn.1001-3806.2015.05.021
    [2] 郑伟孙雪青李哲 . shearlet变换和区域特性相结合的图像融合. 激光技术, 2015, 39(1): 50-56. doi: 10.7510/jgjs.issn.1001-3806.2015.01.010
    [3] 葛雯杨阳 . 基于NSCT域的动态WNMF图像融合算法的研究. 激光技术, 2019, 43(2): 286-290. doi: 10.7510/jgjs.issn.1001-3806.2019.02.025
    [4] 高颖王阿敏王凤华郭淑霞 . 改进的小波变换算法在图像融合中的应用. 激光技术, 2013, 37(5): 690-695. doi: 10.7510/jgjs.issn.1001-3806.2013.05.028
    [5] 朱文艳李莹袁飞冯少彤聂守平 . 基于JPEG压缩编码的小波域多图像融合算法研究. 激光技术, 2014, 38(3): 425-430. doi: 10.7510/jgjs.issn.1001-3806.2014.03.031
    [6] 张雷罗长更张颖颖李根全杨兴强王肖霞 . 基于支持度变换的红外与可见光图像融合算法. 激光技术, 2015, 39(3): 428-431. doi: 10.7510/jgjs.issn.1001-3806.2015.03.032
    [7] 李旭寒董安国封建湖 . 基于多级引导滤波器的图像区域融合算法. 激光技术, 2016, 40(5): 756-761. doi: 10.7510/jgjs.issn.1001-3806.2016.05.029
    [8] 刘凯王慧琴吴萌相建凯卢英 . 基于提升小波的古铜镜X光图像融合方法研究. 激光技术, 2020, 44(1): 113-118. doi: 10.7510/jgjs.issn.1001-3806.2020.01.020
    [9] 李文龙戈海龙任远成巍 . 图像处理技术在激光熔池温度检测的应用. 激光技术, 2018, 42(5): 599-604. doi: 10.7510/jgjs.issn.1001-3806.2018.05.004
    [10] 张羽鹏王开福 . LabVIEW和MATLAB在电子散斑干涉图像处理中的应用. 激光技术, 2009, 33(6): 582-585,589. doi: 10.3969/j.issn.1001-3806.2009.06.007
    [11] 苏平牛燕雄李大乾牛海莎李易难张超 . 基于面阵CCD的激光告警系统的图像采集与处理. 激光技术, 2013, 37(3): 394-399. doi: 10.7510/jgjs.issn.1001-3806.2013.03.028
    [12] 汤敏王惠南 . 激光扫描共聚焦显微镜图像的计算机处理. 激光技术, 2007, 31(5): 558-560.
    [13] 顾国庆王开福燕新九 . 基于同态滤波的电子散斑干涉图像处理. 激光技术, 2010, 34(6): 750-752,797. doi: 10.3969/j.issn.1001-3806.2010.06.009
    [14] 向志聪张程潇白玉磊赖文敬王钦若周延周 . 一种高分辨率3维图像的自适应降噪算法. 激光技术, 2015, 39(5): 697-701. doi: 10.7510/jgjs.issn.1001-3806.2015.05.024
    [15] 崔治邓曙光肖卫初 . 利用HSSIM和残差比阈值的3维激光扫描图像去噪. 激光技术, 2015, 39(5): 669-673. doi: 10.7510/jgjs.issn.1001-3806.2015.05.018
    [16] 张怡霄杜惊雷高福华姚军曾阳素郭永康 . 分数域啁啾滤波及其在数字图像处理中的应用. 激光技术, 2003, 27(1): 78-80.
    [17] 赵蓉顾国华杨蔚 . 基于偏振成像的可见光图像增强. 激光技术, 2016, 40(2): 227-231. doi: 10.7510/jgjs.issn.1001-3806.2016.02.016
    [18] 陈锋张闻文虞文俊陈钱顾国华 . 基于小波变换的EMCCD微光图像融合算法. 激光技术, 2014, 38(2): 155-160. doi: 10.7510/jgjs.issn.1001-3806.2014.02.003
    [19] 葛雯姬鹏冲赵天臣 . NSST域模糊逻辑的红外与可见光图像融合. 激光技术, 2016, 40(6): 892-896. doi: 10.7510/jgjs.issn.1001-3806.2016.06.024
    [20] 张宝华刘鹤张传亭 . 基于经验模态分解提取纹理的图像融合算法. 激光技术, 2014, 38(4): 463-468. doi: 10.7510/jgjs.issn.1001-3806.2014.04.007
  • 加载中
图(3) / 表(2)
计量
  • 文章访问数:  403
  • HTML全文浏览量:  493
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-06
  • 录用日期:  2020-03-06
  • 刊出日期:  2021-01-25

基于ShearLab 3D变换的3维PET/MRI图像融合

    通讯作者: 马泽鹏, mzpdan@163.com
    作者简介: 郑伟(1972-),女,教授,博士,主要从事图像处理与分析、图像安全通信、图像加密和隐藏研究
  • 1. 河北大学 电子信息工程学院,保定 071002
  • 2. 河北省数字医疗工程重点实验室,保定 071002
  • 3. 河北省机器视觉工程技术研究中心,保定 071002
  • 4. 河北大学附属医院,保定 071000
基金项目:  河北省自然科学基金资助项目 F2016201142河北省自然科学基金资助项目 F2016201187河北省机器视觉工程技术研究中心开放课题资助项目 2018HBMV02国家自然科学基金资助项目 61572063河北省教育厅资助项目 QN2016085国家自然科学基金资助项目 61401308

摘要: 为了解决阿尔茨海默病3维正电子发射断层成像(PET)与核磁共振成像(MRI)相同位置强度不同问题,同时保留MRI大脑皮质、脑回沟、海马体等的萎缩情况, 首先将两幅源图像在统计参量图(SPM)中预处理,再利用3维剪切波系统(ShearLab 3D)最优表达高维数据的能力对图像分解,生成低高频子带,并以方差作为阈值将高频子带分为中高频子带。低频子带使用3维扩展的加权局部能量与改进拉普拉斯算子的加权和加权的融合规则,并引入锐化矩阵为权重参量,使融合图像边缘清晰; 中频子带以绝对值为活动度量增强图像的边缘信息; 高频子带以3个3维底层特征加权融合规则增强图像的细节特征。最后,利用ShearLab 3D逆变换获得PET/MRI图像。结果表明,ShearLab 3D变换的融合结果整体优于空域和小波变换;ShearLab 3D方法中将不同融合规则对比分析,该算法融合结果的平均梯度、空间频率、边缘强度、综合熵分别提高了11.09%,22.58%,152.68%,0.58%,解决了边缘模糊、细节不清晰的问题。该研究为PET/MRI图像融合提供了参考。

English Abstract

    • 中国已进入老龄化阶段,预计老龄化进程在未来十几年内将不断加速[1]。阿尔茨海默病(Alzheimer disease, AD)在老年群体中发病率不断增加,并给社会、家庭带来不可估计的经济压力[2]。影像学是AD诊断的重要方式, 包括计算机断层扫描技术(computed tomography,CT)、核磁共振成像(magnetic resonance imaging, MRI)、正电子发射断层成像(positron emission tomography, PET)等,近年来PET/CT, PET/MRI两种影像结合的形式也成为重要的诊断方式[3]。其中CT检查中的X射线对活体组织有一定损伤,且对血管、神经等软组织分辨率有限。MRI的磁场与人体的水分子包含的氢原子核的旋转作用释放能量产生非常清晰的解剖结构。医生通过AD患者的MRI脑影像清晰地看到脑沟回加深加宽、脑室扩大程度、海马萎缩等,但由于很多疾病可以导致脑萎缩,仅仅依靠MRI几乎不能确诊。PET通过在人体中注射放射性物质,可以无创生理地研究人体内生物分子状态。AD患者表现为神经突触的丢失或机能的降低,PET示踪剂18氟-氟脱氧葡萄糖(18F-fluorodeoxyglucose,18F-FDG)通过葡萄糖代谢高低反映神经突触的活性,表现在皮层区域葡萄糖代谢下降,但图像空间分辨率低。因此, 采用图像融合技术生成PET/MRI图像,利用MRI清晰的结构精准判断PET葡萄糖代谢低的位置,提高AD的特异性和准确性。

      PET/MRI图像融合可在空域和变换域中实现,其中空域算法如加权平均、像素取大等原理简单、且耗时短,但忽略了纹理等信息。基于变换域的多尺度几何变换[4-5]的结果与人眼视觉效果相近被广泛使用。ZHANG等人[6]提出基于小波变换的PET和MRI图像融合,小波不能很好地表达具有方向特征的线、轮廓等,导致融合结果出现块效应。因此提出了具有更好表达方向信息的变换,如轮廓波[7]、双树小波[8]、剪切波变换[9]。由于剪切波同时具有数学表达式简单、通过一个或几个函数仿射变换产生、最佳表达高维信号的各向异性、可实现空域紧支、可扩展到3维甚至更高维的优点是其它变换不能同时拥有的,掀起了广大学者的研究热潮。LABATE等人[10-11]提出3维形式的剪切波变换。DUAN等人[12]基于3-D带限剪切波变换的磁共振图像融合,证明了3维剪切波弥补了小波变换对于方向特征的不足,但高低频所用的融合规则未顾及到体素点所在位置结构特征。WANG等人[13]基于3-D剪切波变换分解并用广义高斯密度建模,不同子带间的相关性用相对熵统计,产生较大的冗余运行速度较慢。YANG[14]基于3维医学图像体素点的物理特性和3-D剪切波融合,但是未顾及低频子带中的细节信息,使融合结果缺少细节特征。

      为此, 本文中充分考虑PET和MRI图像的结构特征和相同位置强度差异较大问题,提出了一种新的PET/MRI医学图像融合方法。采用ShearLab 3D将PET和MRI图像分解,并以方差为阈值获得高频子带中的强边缘子带,融合规则充分考虑到3维体素的空间位置信息,将低中高频融合规则由2维扩展到3维形式。低频子带以锐化矩阵增强图像边缘信息,并以3维扩展的加权局部能量与拉普拉斯算子加权和保留图像能量和细节信息。中频子带以绝对值为活动度量捕捉边缘信息。高频子带结合3维扩展的3个底层特征加权增强图像的细节特征提高融合图像亮度和对比度。结果表明,与空域算法、小波变换、不同的融合规则相比本文中的算法融合图像边缘清晰、细节丰富符合人眼视觉效果,更适用于PET/MRI图像融合。

    • 3-D剪切波系统是由各向异性膨胀矩阵和剪切矩阵组成[10],它们分别控制尺度和不同尺度的方向,设各向异性膨胀矩阵为:

      $ \left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{A}}_{\alpha ,{2^j}}} = \left[ {\begin{array}{*{20}{c}} {{2^j}}&0&0\\ 0&{{2^{\alpha j/2}}}&0\\ 0&0&{{2^{\alpha j/2}}} \end{array}} \right]}\\ {{{\mathit{\boldsymbol{\tilde A}}}_{\alpha ,{2^j}}} = \left[ {\begin{array}{*{20}{c}} {{2^{\alpha j/2}}}&0&0\\ 0&{{2^j}}&0\\ 0&0&{{2^{\alpha j/2}}} \end{array}} \right]}\\ {{{\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over A} }}}_{\alpha ,{2^j}}} = \left[ {\begin{array}{*{20}{c}} {{2^{\alpha j/2}}}&0&0\\ 0&{{2^{\alpha j/2}}}&0\\ 0&0&{{2^j}} \end{array}} \right]} \end{array}} \right. $

      (1)

      剪切矩阵为:

      $ \left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{S}}_k} = \left[ {\begin{array}{*{20}{c}} 1&{{k_1}}&{{k_2}}\\ 0&1&0\\ 0&0&1 \end{array}} \right]}\\ {{{\mathit{\boldsymbol{\tilde S}}}_k} = \left[ {\begin{array}{*{20}{c}} 1&0&0\\ {{k_1}}&1&{{k_2}}\\ 0&0&1 \end{array}} \right]}\\ {{{\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over S} }}}_k} = \left[ {\begin{array}{*{20}{c}} 1&0&0\\ 0&1&0\\ {{k_1}}&{{k_2}}&1 \end{array}} \right]} \end{array}} \right. $

      (2)

      式中, jZ为尺度参量,α∈(0, 2)为各向异性程度,k=(k1, k2)∈Z2为剪切方向,Z为整数集。移位采样晶格为下式:

      $ \left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{M}}_c} = {\mathop{\rm diag}\nolimits} \left( {{c_1},{c_2},{c_2}} \right)}\\ {{{\mathit{\boldsymbol{\tilde M}}}_c} = {\mathop{\rm diag}\nolimits} \left( {{c_2},{c_1},{c_2}} \right)}\\ {{{\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over M} }}}_c} = {\mathop{\rm diag}\nolimits} \left( {{c_2},{c_1},{c_2}} \right)} \end{array}} \right. $

      (3)

      式中,c1>0, c2>0为平移量。

      对于ϕψ, $\widetilde \psi $, $\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi }$∈L2(R2), 其中ϕ为剪切波尺度函数,ψ, $\widetilde \psi $,$\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi }$为剪切波函数,R表示实数集,L2(R2)表示实数域R上2维均方可积函数集合,对每一个尺度j, 有α=(αj)jαj∈(0, 2),且c=(c1, c2)∈(R+)2R+为正实数,m为位置参量,通用剪切系统SH(ϕ, ψ, $\widetilde \psi $, $\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi }$; α, c)被定义为:

      $ \begin{array}{*{20}{c}} {{\rm{SH}}(\phi ,\psi ,\tilde \psi ,\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi } ;\alpha ,c) = \varPhi (\phi ;{c_1}) \cup }\\ {\varPsi (\psi ;\alpha ,c) \cup \tilde \varPsi (\tilde \psi ;\alpha ,c) \cup \mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \varPsi } (\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi } ;\alpha ,c)} \end{array} $

      (4)

      式中,

      $ \varPhi (\phi ;{c_1}) = \{ {\phi _m} = \phi ( \cdot - {c_1}m),m \in {{\bf{Z}}^2})\} $

      (5)

      $ \begin{array}{*{20}{c}} {\varPsi (\psi ;\alpha ,c) = \left\{ {{\psi _{j,k,m}} = {2^{\frac{{{\alpha _j} + 1}}{4}j}}\psi \left( {{\mathit{\boldsymbol{S}}_k}^{\rm{T}}{\mathit{\boldsymbol{A}}_{{\alpha _j},{2^j}}} \cdot - {\mathit{\boldsymbol{M}}_c}m} \right),} \right.}\\ {\left. {\left( {j \ge 0,|k| \le \left\lceil {{2^{j\left( {{\alpha _j} - 1} \right)/2}}} \right\rceil ,m \in {{\bf{Z}}^2}} \right)} \right\}} \end{array} $

      (6)

      $ \begin{array}{*{20}{c}} {\tilde \varPsi (\tilde \psi ;\alpha ,c) = \left\{ {{{\tilde \psi }_{j,k,m}} = {2^{\frac{{{\alpha _j} + 1}}{4}j}}{\rm{ }}\tilde \psi \left( {{\mathit{\boldsymbol{S}}_k}^{\rm{T}}{\rm{ }}{{\mathit{\boldsymbol{\tilde A}}}_{{\alpha _j},{2^j}}} \cdot - {{\mathit{\boldsymbol{\tilde M}}}_c}m} \right),} \right.}\\ {\left. {\left( {j \ge 0,|k| \le \left\lceil {{2^{j\left( {{\alpha _j} - 1} \right)/2}}} \right\rceil ,m \in {{\bf{Z}}^2}} \right)} \right\}} \end{array} $

      (7)

      $ \begin{array}{*{20}{c}} {\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \varPsi } (\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi } ;\alpha ,c) = \left\{ {{{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi } }_{j,k,m}} = {2^{\frac{{{\alpha _j} + 1}}{4}j}}\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over \psi } \left( {{\mathit{\boldsymbol{S}}_k}^{\rm{T}}{{\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over A} }}}_{{\alpha _j},{2^j}}} \cdot - {{\mathit{\boldsymbol{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\smile$}} \over M} }}}_c}m} \right)} \right.,}\\ {\left. {\left( {j \ge 0,|k| \le \left\lceil {{2^{j\left( {{\alpha _j} - 1} \right)/2}}} \right\rceil ,m \in {{\bf{Z}}^2}} \right)} \right\}} \end{array} $

      (8)

      对于ShearLab 3D中$\widehat \psi $(ξ)是一种不可分剪切波[11],在L2(R2)空间是一个紧支撑的剪切波框架, 能最优表达高维数据的空间特征其生成函数为:

      $ \begin{array}{*{20}{l}} {\hat \psi (\xi ) = \left( {P\left( {\frac{{{\xi _1}}}{2},{\xi _2}} \right){{\hat \psi }_1}({\xi _1}){{\hat \phi }_1}({\xi _2})} \right) \cdot }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left( {P\left( {\frac{{{\xi _1}}}{2},{\xi _3}} \right){{\hat \phi }_1}({\xi _3})} \right)} \end{array} $

      (9)

      式中,函数ϕ1ψ1是紧密支持的函数,2维扇形滤波函数P都满足一定条件[11]

    • 首先从ADNI(Alzheimer’s Disease Neuroimaging Initiative)数据库中下载AD患者的PET和MRI脑功能影像,分别在统计参量图(statistical parametric mapping, SPM)中对源图像经过头动校正、配准、归一化处理得到两个待处理对象图像A, B。然后利用ShearLab 3D分解分别得到低频子带Cl, A(x, y, z)和Cl, B(x, y, z)高频子带Ch, 0, A(x, y, z),Ch, 0, B(x, y, z), 其中高频子带以方差为阈值获得强边缘子带为中频子带Cm, A(x, y, z)和留下的高频子带Ch, 1, A(x, y, z), Ch, 1, B(x, y, z)。本文中提出将低中高频融合规则扩展为3维,以加权局部能量与拉普拉斯算子加权和融合低频系数并以锐化矩阵作为权重参量捕捉图像中灰度跳变区域,以绝对值为活动度量融合中频子带,以3个3维扩展的底层特征加权融合高频系数。最后,经过ShearLab 3D逆变换得到融合结果PET/ MRI图像F,流程如图 1所示。

      Figure 1.  PET/MRI image fusion flowchart

    • ShearLab 3D分解生成的低频子带不但包含图像绝大多数的能量,也含有图像的纹理特征。因此低频子带融合规则的选择会影响融合结果的好坏,常用的加权平均法使融合结果轮廓不完整清晰、对比度降低。像素取大法的融合结果中MRI图像的脑沟回等细节特征不足。

      本文中考虑到每个体素点的空间信息将2维局部拉普拉斯能量加权[15]扩展到3维形式。设EWLE, s(x, y, z)为低频子带位置(x, y, z)的加权局部能量(weight local energy,WLE),s∈{A, B}分别表示待融合的PET和MRI图像。为了突出了MRI图像边缘信息,本文中将W设置为(2r+1)×(2r+1)×(2r+1)的锐化矩阵,rW的半径,即:

      $ \begin{array}{*{20}{c}} {{E_{{\rm{WLE}},\mathit{\boldsymbol{s}}}}(x,y,z) = \sum\limits_{m = - r}^r {\sum\limits_{n = - r}^r {\sum\limits_{p = - r}^r \mathit{\boldsymbol{W}} } } (m,n,p) \times }\\ {{C_{1,s}}{{(x + m,y + n,z + p)}^2}} \end{array} $

      (10)

      r=1,W为3×3×3的矩阵,是以拉普拉斯变形模板M为基础,考虑到系数之间的相关性并以中心点到邻域的欧式距离为依据,将矩阵W的系数中距离为1的设置为-2,将距离为$\sqrt 2 $的设置为1,矩阵系数中心选取锐化程度居中的-4。

      $ \mathit{\boldsymbol{M}} = \left[ {\begin{array}{*{20}{l}} {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1}&{ - 2}&{{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1}\\ { - 2}&{{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 4}&{ - 2}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1}&{ - 2}&{{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} 1} \end{array}} \right] $

      (11)

      $ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{W}}_{3 \times 3 \times 3}} = \\ \left[ {\begin{array}{*{20}{c}} 1&1&1\\ 1&{ - 2}&1\\ 1&1&1 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} 1&{ - 2}&1\\ { - 2}&{ - 4}&{ - 2}\\ 1&{ - 2}&1 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} 1&1&1\\ 1&{ - 2}&1\\ 1&1&1 \end{array}} \right] \end{array} $

      (12)

      LWSTML, s(x, y, z)是低频子带位置(x, y, z)处二十六邻域的改进拉普拉斯算子的加权和(weight sum of twenty six-neighborhood based modified laplacian,WSTML)。LTML, s[15]为改进的拉普拉斯算子(twenty six-neighborhood based modified laplacian,TML),将相邻点的权重设为欧氏距离。为了充分利用相邻体素间的关系, 将LTML, s扩展到3维,即:

      $ \begin{array}{*{20}{c}} {{L_{{\rm{WSTML}},\mathit{\boldsymbol{s}}}}(x,y,z) = \sum\limits_{m = - r}^r {\sum\limits_{n = - r}^r {\sum\limits_{p = - r}^r \mathit{\boldsymbol{W}} } } (m,n,p) \times }\\ {{L_{{\rm{TML}},\mathit{\boldsymbol{s}}}}{{(x + m,y + n,z + p)}^2}} \end{array} $

      (13)

      $ \begin{array}{*{20}{c}} {{L_{{\rm{TML}},\mathit{\boldsymbol{s}}}}(x,y,z) = \sum\limits_{s = - r}^r {\sum\limits_{t = - r}^r {\sum\limits_{l = - r}^r {\left\{ {{{[x - (x + i)]}^2} + } \right.} } } }\\ {{{\left. {{{[y - (y + g)]}^2} + {{[z - (z + e)]}^2}} \right\}}^{ - 1/2}} \times }\\ {\left| {{C_{1,\mathit{\boldsymbol{s}}}}(x,y,z) - {C_{1,\mathit{\boldsymbol{s}}}}(x + i,y + q,z + e)} \right|} \end{array} $

      (14)

      式中, iqe都为整数且不能同时为0;s, W, r同上。

      位置(x, y, z)的低频融合系数Fl(x, y, z)为下式,选取局部拉普拉斯能量大的系数为融合图像的低频系数:

      $ \begin{array}{*{20}{l}} {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {F_1}(x,y,z) = }\\ {\left\{ {\begin{array}{*{20}{l}} {{C_{1,\mathit{\boldsymbol{A}}}}(x,y,z),\left( {{E_{{\rm{WLE}},\mathit{\boldsymbol{A}}}} + {L_{{\rm{WSTML}},\mathit{\boldsymbol{A}}}} \ge {E_{{\rm{WLE}},\mathit{\boldsymbol{B}}}} + {L_{{\rm{WSTML}},\mathit{\boldsymbol{B}}}}} \right)}\\ {{C_{1,\mathit{\boldsymbol{B}}}}(x,y,z),({\rm{ otherwise }})} \end{array}} \right.} \end{array} $

      (15)
    • ShearLab 3D分解后高频子带包含图像的边缘和纹理结构,为了更好地融合图像的边缘信息在高频子带中提取包含源图像强边缘信息中频子带。由于方差可以判断图像的纹理、边缘、平滑区域,其中纹理区方差最大,边缘次之,平滑最小[16]。因此以方差为阈值得到中频子带,且方差的选取与图像特点有关。

      μs与$\overline {{C_{{\rm{h}}, 0, \mathit{\boldsymbol{s}}}}} $分别ShearLab 3D分解后高频子带的方差和均值,s∈{A, B},m×n×p为高频子带图像大小。根据PET图像边缘模糊和MRI图像结构清晰边缘分界明显的特点,并通过大量实验手动设置阈值范围得到融合图像的客观评价指标,最终选取主客观评价最优的阈值0.03 < μA < 0.04,0.2 < μB < 0.3。

      $ {\mu _\mathit{\boldsymbol{s}}} = \frac{{\sum\limits_{x = 0}^m {\sum\limits_{y = 0}^n {\sum\limits_{z = 0}^p {{{\left[ {{C_{{\rm{h}},\mathit{\boldsymbol{s}}}}(x,y,z) - \overline {{C_{{\rm{h}},0,\mathit{\boldsymbol{s}}}}} } \right]}^2}} } } }}{{m \times n \times p}} $

      (16)

      中频子带采取基于绝对值的活动度量[17]保留中频子带中的边缘信息,并充分考虑到空间结构信息将其扩展到3维情况。

      Cm, A(x, y, z)与Cm, B(x, y, z)为PET, MRI图像的中频子带,以下式二值化处理:

      $ \begin{array}{*{20}{c}} {\mathit{\boldsymbol{G}}(x,y,z) = }\\ {\left\{ {\begin{array}{*{20}{l}} {1,\left( {\left| {{C_{{\rm{m}},\mathit{\boldsymbol{A}}}}(x,y,z)} \right| > \left| {{C_{{\rm{m}},\mathit{\boldsymbol{B}}}}(x,y,z)} \right|} \right)}\\ {0,({\rm{ otherwise }})} \end{array}} \right.} \end{array} $

      (17)

      式中, G(x, y, z)为二值化矩阵,当PET图像的中频子带系数绝对值大于MRI图像的中频子带系数绝对值时, G(x, y, z)=1,否则为0。

      d(x, y, z)为中频子带融合的决策图,g(x, y, z)为活动指标,通过以下等式计算:

      $ \mathit{\boldsymbol{d}}(x,y,z) = \left( {\begin{array}{*{20}{l}} {1,\left( {g(x,y,z){\rm{ > }}\frac{{M \times N \times P}}{2}} \right)}\\ {0,({\rm{otherwise}})} \end{array}} \right. $

      (18)

      $ \mathit{\boldsymbol{g}}(x,y,z) = \{ ({x_0},{y_0},{z_0}) \in \varOmega |\mathit{\boldsymbol{G}}(x,y,z)|\} $

      (19)

      式中, Ω是以(x, y, z)为中心的M×N×P的滑动窗口。

      中频子带的融合系数为Fm(x, y, z),当决策图d(x, y, z)=1时, PET图像的中频系数为融合图像的中频子带系数。

      $ {F_{\rm{m}}}(x,y,z) = \left\{ {\begin{array}{*{20}{l}} {{C_{{\rm{m}},\mathit{\boldsymbol{A}}}}(x,y,z),(\mathit{\boldsymbol{d}}(x,y,z) = 1)}\\ {{C_{{\rm{m}},\mathit{\boldsymbol{B}}}}(x,y,z),({\rm{ otherwise }})} \end{array}} \right. $

      (20)
    • 高频子带包含了MRI源图像脑沟回等细节特征,对AD病情的诊断非常重要。因此高频子带融合规则应有效的保留细节信息,局部相位一致的大部分特征为边缘状和角状特征[18]。局部对比度、局部能量可以反映对比度和亮度信息。本文中采取这3种底层特征加权[19]的融合规则,考虑到每个体素点的空间信息将其扩展到3维形式。

      PPC, s(x, y, z)为高频子带(x, y, z)处的相位一致(phase congruency,PC)的点,s∈(A, B),即:

      $ {P_{{\rm{PC}},\mathit{\boldsymbol{s}}}}(x,y,z) = \frac{{\sum\limits_k {{E_{{\theta _k}}}} (x,y,z)}}{{\varepsilon + \sum\limits_n {\sum\limits_k {{A_{n,{\theta _k}}}} } (x,y,z)}} $

      (21)

      式中, θkk的方向角,An, θk为第n个傅里叶分量的幅值和角度,ε=0.001是正数去除图像中的DC分量,Eθk(x, y, z)可见参考文献[19]。

      SLSCM, s(x, y, z)为(x, y, z)处的局部对比度(local measure of sharpness change, LSCM),(2M+1)×(2N+1)×(2P+1)是邻域大小,SSCM, s(x, y, z)为高频子带(x, y, z)处的对比度(measure of sharpness change, SCM)的值。

      $ \begin{array}{*{20}{l}} {{S_{{\rm{LSCM,}}\mathit{\boldsymbol{s}}}}(x,y,z) = \sum\limits_{a = - M}^M {\sum\limits_{b = - N}^N {\sum\limits_{t = - P}^P {{S_{{\rm{SCM,}}\mathit{\boldsymbol{s}}}}} } } (x + a,}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} y + b,z + t)} \end{array} $

      (22)

      $ \begin{array}{l} {S_{{\rm{SCM}},\mathit{\boldsymbol{s}}}}(x,y,z) = \sum\limits_{\left( {{x_0},{y_0},{z_0}} \right) \in {\varOmega _0}} {\left[ {{C_{{\rm{h}},1,\mathit{\boldsymbol{s}}}}(x,y,z) - } \right.} \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left. {{C_{{\rm{h}},1,\mathit{\boldsymbol{s}}}}\left( {{x_0},{y_0},{z_0}} \right)} \right] \end{array} $

      (23)

      式中, 取M=N=P=1,Ω0是(x, y, z)的3×3×3的局部区域,(x0, y0, z0)表示Ω0内的体素点。

      ELE, s(x, y, z)为高频子带(x, y, z)处的局部能量(local energy, LE),且M=N=P=1。

      $ \begin{array}{*{20}{c}} {{E_{{\rm{LE}},\mathit{\boldsymbol{s}}}}(x,y,z) = }\\ {\sum\limits_{a = - M}^M {\sum\limits_{b = - N}^N {\sum\limits_{t = - P}^P {{{\left[ {{C_{{\rm{h}},1,\mathit{\boldsymbol{s}}}}(x + a,y + b,z + t)} \right]}^2}} } } } \end{array} $

      (24)

      用计算出来的PPC, sSLSCM, sELE, s组成活跃度测量Ns; α1β1γ1是用来调整PPC, sSLSCM, sELE, s的参量,分别为1, 2, 2[19] :

      $ \begin{array}{*{20}{c}} {{N_\mathit{\boldsymbol{s}}}(x,y,z) = {{\left[ {{P_{{\rm{PC}},\mathit{\boldsymbol{s}}}}(x,y,z)} \right]}^{{\alpha _1}}} \cdot }\\ {{{\left[ {{S_{{\rm{LSCM}},\mathit{\boldsymbol{s}}}}(x,y,z)} \right]}^{{\beta _1}}} \cdot {{\left[ {{E_{{\rm{LE}},\mathit{\boldsymbol{s}}}}(x,y,z)} \right]}^{{\gamma _1}}}} \end{array} $

      (25)

      d(x, y, z)为高频子带融合的决策图,通过(18)式计算,其中g(x, y, z)由等下式计算:

      $ \begin{array}{*{20}{c}} {g(x,y,z) = \left\{ {\left( {{x_0},{y_0},{z_0}} \right) \in {\varOmega _1}\mid {N_\mathit{\boldsymbol{s}}} \ge } \right.}\\ {\left. {\max \left( {{N_\mathit{\boldsymbol{A}}}\left( {{x_0},{y_0},{z_0}} \right),{N_\mathit{\boldsymbol{B}}}\left( {{x_0},{y_0},{z_0}} \right)} \right)} \right\}} \end{array} $

      (26)

      式中, Ω1是以(x, y, z)为中心的M×N的滑动窗口。

      高频子带的融合系数Fh(x, y, z)与(20)式相同,当决策图d(x, y, z)=1时, PET图像系数为融合图像的高频系数。

    • 本文中所有实验均采用Window 8操作系统,使用MATLAB 2018a平台进行仿真实验, 且PET和MRI数据均为同一AD患者同一时期的脑影像。首先在空域和变换域中采取相同的融合规则进行比较,然后在ShearLab 3D域中将本文中的融合规则与现有的PET/MRI算法[17]进行比较。选取信息熵(entropy, IE)、平均梯度(average gradient, AG)、空间频率(spatial frequency, SF)、边缘强度(edge intensity, EI)、综合熵(comprehensive entropy, CE)作为客观评价标准, 它们的值越大融合效果越好。

    • 为了验证ShearLab 3D相较于空域算法和其它变换域算法的优越性,在加权平均、像素取大、小波域和ShearLab 3D域内融合PET/MRI图像,其中小波域和ShearLab 3D域低频系数使用加权平均法,高频子带系数使用体素绝对值取大法,且都为一层分解。图 2所示为PET和MRI图像和不同算法产生的结果图像。图 2a是AD患者注射18F-FDG的PET图像,其中左上是冠状面,右上是矢状面,左下是轴状面; 图 2b表示AD患者MRI脑图像; 图 2c是空域加权平均结果; 图 2d为空域像素取大结果; 图 2e为变换域小波变换结果; 图 2f为变换域ShearLab 3D的融合结果。

      Figure 2.  PET/MRI images in different domains

      从主观角度分析,空域的加权平均相对于其它方法融合图像对比度略有降低导致边缘轮廓模糊。像素取大法由于PET和MRI呈现原理不同导致融合结果丢失MRI图像纹理信息,变换域的小波变换融合图像的边缘轮廓纹理等信息都受到了块效应的影响。ShearLab 3D融合图像从很大程度上弥补了它们的不足,可以观察到脑萎缩程度及相应组织的代谢情况。

      从客观角度分析,观察表 1图 2c图 2e,其各项评价指标数值普遍较低,尤其是图 2c中的AG, EI, SF指数过低,表示融合图像纹理特征不够清晰,灰度变化率低对比度差。图 2e中IE和CE较低融合图像信息丢失严重。图 2d中的IE, EI, CE都较好,但融合图像中只含有极少部分MRI图像的细节纹理,缺乏实用性。图 2f的AG最好,其它指标与最优相比相差甚少,相对于其它算法,ShearLab 3D轮廓清晰、细节明显更具有实用性。

      Table 1.  Objective evaluation of PET/MRI images in different domains

      image IE AG SF EI CE
      Fig. 2c 6.5714 6.1994 16.3993 60.5671 7.1154
      Fig. 2d 6.9897 9.0842 26.4005 87.3432 7.2353
      Fig. 2e 6.1749 7.4962 27.3885 64.0184 6.7275
      Fig. 2f 6.7074 9.1187 26.8547 84.4257 6.7975
    • 在ShearLab 3D域将本文中提出的融合规则与参考文献[17]中提出的PET/MRI的融合规则进行对比。ShearLab 3D为一层分解,图 3a是参考文献[17]中融合规则的结果,图 3b是本文中融合算法结果。从视觉角度看, 两幅图像均保留了原图像的主要信息,但是图 3a中的脑沟回处边缘轮廓不明显且对比度较低,无法判断脑萎缩状况,降低了医疗诊断的实用性。本文中算法在脑沟回处边缘轮清晰,并准确地判断海马体葡萄糖代谢降低萎缩严重,右侧额叶与右侧颞叶葡萄糖代谢降低发生病变。

      Figure 3.  PET/MRI images with different fusion rules in ShearLab 3D domain a—reference [17] fusion results b—algorithm fusion results in this paper

      从客观指标分析观察表 2,本文中算法融合结果的IE值略低于参考文献[17]中的算法,但SF, AG, CE的评价指数都高于对比算法且EI有明显提高,表明融合结果的体素活跃程度高,对微小细节的表示度高,图像清晰。综合主客观评价, 本文中算法的融合结果边缘纹理特征丰富,清晰水平更好。

      Table 2.  Objective evaluation of PET/MRI images with different fusion rules in ShearLab 3D domain

      image IE AG SF EI CE
      Fig. 3a 7.0762 10.5754 29.5454 101.2882 7.0541
      Fig. 3b 7.0280 10.6863 29.7712 102.8150 7.0599
    • 针对医学图像融合要求融合图像含有丰富清晰的纹理信息准确的判断病灶,本文中基于ShearLab 3D的方向敏感对图像进行分解,并根据方差识别强边缘特征的特点将高频子带分为中高频子带。低中高频子带的融合规则由2维扩展到3维,低频子带采用加权局部能量与拉普拉斯算子加权融合规则,并以锐化矩阵作为权重参量,改善了融合结果轮廓模糊的问题。中频子带以绝对值为活动度量增强融合图像的边缘信息。高频子带结合局部相位一致性、局部对比度、局部能量3个低层特征加权的融合规则,增强图像的细节特征且增加了融合结果的亮度和对比度。通过实验结果证明,ShearLab 3D相对于空域和小波相比处理高维数据更有优势;相对融合规则,本文中提出的算法仅有信息熵略低,其它指标都高于对比算法,其中平均梯度和边缘强度表明, 本文中融合结果含有更丰富且清晰的轮廓和纹理特征,空间频率和综合熵表明, 融合图像整体活跃度和融合质量更高符合人类视觉效果。

参考文献 (19)

目录

    /

    返回文章
    返回