30、医学图像融合方法：传统与前沿技术解析

医学图像融合方法：传统与前沿技术解析

1. 医学图像融合研究现状

当前，大量研究聚焦于标签融合步骤，因其对最终分割结果影响重大。以往的方法多基于体素点间的图像分割，而近年来，基于补丁（patch）的算法被应用于标签融合分割。该算法从每个训练图中提取多个补丁作为候选区域，然后基于非局部权重与目标图像中的补丁进行标签融合。一些多光谱标签融合算法需要精确的非刚性配准作为前提，而基于补丁的方法不依赖高精度配准，即使是低精度的刚性配准也能得到较好的分割结果，且已在脑标记和海马体分割中成功应用并取得理想效果。

2. 传统医学图像融合方法

2.1 局部加权投票法

局部图像的灰度值包含了与分割标记值相关的重要信息。在最简单的带有灰度值信息的多数投票（MV）标签融合策略中，将灰度信息作为标签先验概率的权重，训练图与目标图像越相似，权重值越大。基于多数投票策略，改进的局部加权投票法被应用于最终的标签融合过程，这不仅改进了分割算法，还显著提高了分割精度。

建立了训练集与目标图像关系的概率统计模型，采用非参数估计模型，包括灰度值先验概率、标签先验概率以及它们之间的关联先验概率（使用马尔可夫随机场（MRF）模型）。概率图模型用于医学图像分割，通过贝叶斯定理推导分割的目标函数，再根据最大后验概率（MAP）进行分割。

具体步骤如下：
1. 将每个标签值的灰度先验概率和标签先验概率代入公式 ( \hat{S}(x) = \arg \max_{S} \sum_{n=1}^{N} p_n(S(x) = l; L_n) p_n(I(x); I_n) )。
2. 选择两者乘积求和最大时的标签值作为体素点 ( x ) 处的分割标记值。