HTML
-
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。
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和图 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。
-
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。