编辑推荐：
针对现有医学图像融合算法存在输入图像质量低、分解技术低效、融合规则设计欠优问题，研究人员开展自适应融合框架研究，提出 ATCID 分解、AFM_EOA 融合等方法，实验表明其在 CI、MI、QAB/F等指标上优于传统技术，为医学成像提供有效方案。
在医学诊断的广阔天地里，精准的图像信息如同医生的 “眼睛”，是洞察疾病的关键。然而，当下的医学成像领域，不同模态的图像各有长短 ——CT 擅长展现骨骼等高密度组织，却在软组织分辨上力不从心；MRI 对软组织成像清晰，却难以捕捉钙化或代谢活动；PET、SPECT 能评估生理过程，解剖分辨率却不尽如人意。单一模态图像的 “偏科”，让医生难以全面把握病情，此时，多模态医学图像融合技术应运而生，它如同一位 “神奇的画家”，将不同模态图像的优势汇聚于一幅图中，为诊断、治疗规划提供更全面的信息。但遗憾的是，现有的融合算法面临着诸多挑战：输入图像常存在模糊、低对比度、亮度不足等质量问题，分解技术效率低下，融合规则依赖人工设计，导致细节丢失、伪影产生，难以满足临床对高质量融合图像的需求。
为了突破这些瓶颈，越南水科院（Thuyloi University）的研究人员开展了深入研究，相关成果发表在《Digital Signal Processing》。他们提出了一种创新的自适应图像融合框架，旨在通过优化图像分解与融合策略，提升融合图像的质量和结构一致性。
研究中采用的关键技术方法包括：一是图像增强方法 IE_EOA，利用对比度受限自适应直方图均衡化（CLAHE）、块匹配三维滤波（BM3D）、局部拉普拉斯滤波（LLF）、各向异性扩散滤波（ADF）和索贝尔边缘检测等技术生成亮度增强、高对比度低噪声和边缘细节组件，并通过平衡优化算法（EOA）优化组件权重；二是自适应三组件图像分解（ATCID），借助 IE_EOA 得到的自适应参数，将输入图像分解为上述三个组件，且可重组为增强图像；三是融合策略，基础组件采用基于 EOA 的自适应融合方法（AFM_EOA），细节组件采用多特征局部能量（MFLE）融合，以保留细节并减少信息丢失。实验数据来自哈佛医学院 AANLIB 的 270 幅医学图像（135 对 MRI-PET 图像，分辨率 256×256 像素）。
图像增强与分解方法的有效性验证
研究人员通过 IE_EOA 方法，将 CLAHE 生成的亮度增强组件、BM3D 与 LLF 结合的高对比度低噪声组件，以及 ADF 和索贝尔算子提取的边缘细节组件，利用 EOA 优化组合，显著提升了输入图像的质量，为后续融合奠定了基础。ATCID 分解方法凭借自适应参数，能将图像分解为三个具有明确物理意义的组件，且可灵活重组，验证了该分解方法的合理性与有效性。
融合算法的性能评估
在融合阶段，AFM_EOA 通过 EOA 优化基础组件的融合，有效平衡了图像的对比度和亮度；MFLE 针对细节组件，融合多特征局部能量，最大程度保留了精细结构细节。通过在多个数据集上的实验，该方法在对比度指数（CI）、互信息（MI）、边缘保留（QAB/F）等客观指标上均优于传统变换域方法和深度学习模型，证明了其在融合性能上的优越性。
与现有技术的对比分析
与传统的基于多尺度变换、滤波和稀疏表示的分解方法相比，ATCID 分解结合图像增强和自适应参数，克服了分解策略的局限性；与依赖大数据集和高计算量的深度学习方法相比，该框架结合优化算法，在保证性能的同时，降低了对数据和算力的依赖。此外，相较于模糊逻辑和元启发式优化算法的现有应用，该研究更全面地考虑了输入图像质量、分解效率和融合规则的适应性，展现出更强的鲁棒性和普适性。
研究结论表明，该自适应融合框架通过图像增强、自适应分解和优化驱动融合的有机结合，显著提升了医学图像融合的质量，为临床诊断提供了更清晰、结构更一致的图像信息。其意义在于，不仅解决了现有算法在低质量输入、低效分解和非最优融合规则方面的难题，还为医学成像领域提供了一种可扩展的有效解决方案，有望推动多模态图像融合在疾病诊断、治疗监测等方面的广泛应用。未来研究可进一步探索该框架在更多模态图像、更大规模数据集上的应用，以及与更先进优化算法的结合，以持续提升融合性能，更好地服务于精准医疗。
