31、医学与夜视图像融合技术解析

医学与夜视图像融合技术解析

医学图像分割与融合

在医学图像分割领域，有多种基于标签融合策略的传统方法，如局部加权投票、MV、全局加权投票、半局部加权投票等，这些方法被应用于多光谱MR图像分割。

为了提高分割精度，人们结合了常用标签融合策略与补丁（patch）的优势，基于概率图模型推导出了具有更高分割精度的算法，如基于补丁的局部加权投票（LWVP）和基于补丁的全局加权融合算法（GWFP），尤其在脑MR图像分割中效果显著。

补丁全局加权融合分割算法

该算法属于全局加权融合策略。在处理分割结果时，会将三维补丁矩阵展开为一维数组，数组中((w × w × w - 1)/2 + 1)的值就是补丁中心位置的分割值。当补丁搜索场大小等于(1 × 1 × 1)（即(wp = 1)）时，该融合算法就变成了传统的局部加权投票策略。

此算法重新定义了目标图像补丁和训练图像补丁之间的关联先验概率模型为潜在选择模型，其标签融合的详细过程如下：
1. 潜在关联先验概率 ：这是该方法概率模型的核心，用于关联邻域体素点，对标签融合算法的推导有极其重要的影响。在MRF关联模型中，当相关系数(\beta \to +\infty)时，采用全局加权投票策略。潜在关联先验概率模型可表示为：
[
p(M) =
\begin{cases}
\frac{1}{K}, & \text{if } M(x) = k, \forall x \in \vec{p}, \exists k \
0, & \text{otherwise}
\end{cases}
]