11、基于FCM分割的有效图像融合技术助力阿尔茨海默病研究

基于FCM分割的有效图像融合技术助力阿尔茨海默病研究

1. 图像融合概述

在医学图像分析中，图像融合技术对于整合不同模态图像的信息至关重要。例如，正电子发射断层扫描（PET）图像能提供大脑的功能信息，而磁共振成像（MRI）图像则能展示大脑的解剖结构。将PET和MRI图像融合，可以为阿尔茨海默病（AD）的研究和治疗提供更全面的信息。

在初始决策图中，会处理背景像素，随后进行闭合操作以去除前景中的孔洞，从而确保选择过程的一致性。高频分量的选择则通过测量特定位置水平、垂直和对角方向上系数的活动水平来实现。

在多级融合方案之后，需要实施不同的融合规则，以整合源图像中所有可能的重要信息。不过，简单平均过程（SAP）在组合低频子带时可能会丢失相关特征。而主成分分析（PCA）则是一种更先进的方法，它可以确定加权平均值，避免SAP中相关数据的丢失。此外，小波方法能够去除PET和射线照相图像在不同颜色空间中产生的高斯白噪声。

2. 研究方法

本研究的主要目标是将相关信息整合到一个复合框架中，这有助于观察AD的痴呆症状并进行治疗规划。所采用的基本方法是基于模糊逻辑的聚类和基于PCA的加权平均方案，以将PET数据与MRI整合到同一框架中。

2.1 模糊逻辑方法

模糊逻辑是一种多值逻辑，它提供了一种系统的演算方法，用于从语言上解释不完整和不精确的感官信息。模糊集是一种没有明确边界的集合，其平滑过渡由隶属函数（MF）决定。隶属函数将每个点映射到[0, 1]区间内，表示该点属于模糊集的“隶属度”。

在本研究中，通过模糊逻辑方法有效地收集PET图像每个颜色平面的重要信息。具体来说，使用模糊C均值（FCM）聚类技术对每个