基于边缘检测与显著特征提取的多模态医学图像融合方法研究及其在临床诊断中的应用

针对多模态医学图像融合中边缘与显著区域难以同步保留的难题，研究人员提出结合模糊区域主动轮廓(FRAC)和热传导矩阵(HCM)的FA-HC模型，开发GP与LIP融合规则，实现解剖结构与功能信息的协同优化。实验表明该方法在QMI等8项指标上平均提升12.39%-23.74%，代码已开源。

　　

医学影像技术正经历从单一模态到多模态协同的变革。计算机断层扫描(CT)能清晰显示骨骼结构，磁共振成像(MRI)可区分软组织病变，而正电子发射断层扫描(PET)则能捕捉代谢活动。然而，这些模态各有所长又各有所短——高分辨率的解剖图像缺乏功能信息，反映生理过程的功能图像又丢失了精细结构。临床医生常需反复比对不同模态图像，既低效又易漏诊。更棘手的是，现有融合技术往往顾此失彼：边缘保留算法(EPB)难以突出病灶区域，而显著性检测方法又会模糊组织边界。这种"鱼与熊掌不可兼得"的困境，直接制约着精准医疗的发展。

针对这一挑战，广东工业大学等机构的研究团队在《Biomedical Signal Processing and Control》发表创新成果。研究者创造性地将图像分割领域的模糊区域主动轮廓模型(FRAC)与热传导矩阵(HCM)相结合，构建FA-HC边缘检测框架，并设计梯度-像素值(GP)规则融合边缘细节，开发局部相位相干(LPC)强度与伪水平集(LIP)规则整合显著特征。通过206例脑部多模态影像测试，该方法在边缘锐度和病灶凸显方面实现双重突破。

关键技术包含：1)基于FRAC-HCM的FA-HC边缘检测模型；2)梯度幅值驱动的GP融合规则；3)LPC强度与伪水平集结合的LIP显著特征融合策略；4)四层分解架构(边缘/显著/基础/能量层)。实验采用公开脑影像数据集，涵盖CT-MRI、PET-MRI等组合，以Q_MI等8项指标对比15种前沿方法。

边缘检测与显著特征提取
FA-HC模型通过FRAC的模糊隶属度函数划分组织边界，结合HCM的热扩散特性增强边缘连续性。在脑肿瘤CT-MRI融合中，该方法较传统Canny算子提升边缘信噪比达19.8%，尤其擅长保留微小血管分支(<3像素宽度)。

分层融合机制
GP规则通过梯度幅值加权整合边缘层，解决传统方法在脑室轮廓处的"阶梯效应"。LIP规则利用LPC相位一致性检测病灶区域，在阿尔茨海默症PET-MRI融合中，β淀粉样蛋白沉积灶的对比度提升14.6%。

定量评估
相较于U2Fusion等深度学习方法，本方案在保持Q_{AB/F(21.06%)优势的同时，计算耗时降低83%。在癫痫灶定位任务中，融合图像的病灶检出率较金标准提高12.4%，假阳性率降低8.7%。}

这项研究首次实现边缘与显著特征的同步优化，为多模态影像诊断提供新范式。FA-HC模型将图像分割算子引入融合领域，GP/LIP规则建立可解释的物理驱动融合机制。临床验证表明，该方法特别适用于需要精确定位病灶边界的场景，如肿瘤浸润范围评估。未来可通过迁移学习拓展至超声等动态影像融合，但需注意FRAC参数对新型造影剂的适应性调整。开源代码(https://github.com/YimeiZheng/FRAC-HCM)将促进医学影像分析工具的普惠化发展。