基于SWT-TVC的多模态医学图像融合方法：加权能量、对比度与全变分最小化的创新融合

《International Journal of Imaging Systems and Technology》：M3IF-(SWT-TVC): Multi-Modal Medical Image Fusion via Weighted Energy, Contrast in the SWT Domain, and Total Variation Minimization With Chambolle's Algorithm

本研究针对多模态医学图像融合(M3IF)需求，提出了一种结合平稳小波变换(SWT)、加权能量与对比度融合策略以及基于Chambolle算法的全变分最小化(TVM)后优化的混合方法M3IF-(SWT-TVC)。该方法能有效整合CT、MRI、PET、SPECT等不同成像模态的信息，生成细节丰富、噪声低的融合图像，显著提升了医学诊断的准确性和治疗规划的精密度。经过100次迭代优化及与主流方法对比，M3IF-(SWT-TVC)在视觉质量和定量指标上均表现出优越性能。

　　

多模态医学图像融合(Multi-Modal Medical Image Fusion, M3IF)技术旨在将来自不同医学成像模态——例如计算机断层扫描(Computed Tomography, CT)、磁共振成像(Magnetic Resonance Imaging, MRI)、正电子发射断层扫描(Positron Emission Tomography, PET)以及单光子发射计算机断层扫描(Single Photon Emission Computed Tomography, SPECT)——的必要且关键的信息整合到一张信息量更丰富的图像中。这项技术能够显著改善患者的诊断效果并支持更精确的治疗规划。

本文提出了一种名为M3IF-(SWT-TVC)的混合融合方法。该方法首先利用平稳小波变换(Stationary Wavelet Transform, SWT)将输入的医学图像分解为低频成分(Low-Frequency Components, LFCs)和高频成分(High-Frequency Components, HFCs)。随后，分别基于能量和对比度的度量标准对LFCs和HFCs进行融合。融合后的成分通过逆平稳小波变换(Inverse SWT, ISWT)进行重建。为了进一步优化结果，该方法引入了一个后处理精炼步骤，即应用基于Chambolle算法的全变分最小化(Total Variation Minimization, TVM)技术。这一步骤能有效抑制噪声，同时很好地保留图像中的细微结构。

TVM精炼过程是一个迭代方法，本研究对M3IF-(SWT-TVC)的融合结果进行了预定义的100次迭代评估。通过将SWT和TVM相结合，该方法在图像的平滑度和结构细节保持之间取得了良好平衡。最终，将M3IF-(SWT-TVC)所获得的融合结果与多种著名的非传统方法进行了比较评估。无论是从视觉质量还是定量指标分析来看，M3IF-(SWT-TVC)的表现均优于所有参与对比的方法。