.png){kind=icon}
返回
Diffusion-driven multi-modality medical image fusion
.png){kind=icon}
PRE
AI
DOI：10.1007/s11517-025-03300-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态医学图像融合（MMIF）技术利用不同模态的互补性，为临床实践提供更全面的诊断见解。现有的基于深度学习的方法通常专注于从单一模态中提取主要信息，而忽略了不同模态间信息分布的相关性，这导致图像细节和颜色信息的融合不足。为解决此问题，提出了一种扩散驱动的MMIF方法，用以利用多模态图像在潜在空间中的信息分布关系。为更好地保留不同模态的互补信息，建议采用一种局部与全局网络（LAGN）。此外，设计了一种损失策略，用于在扩散生成的图像、原始图像和融合图像之间建立稳健约束。该策略监督训练过程并防止融合图像中的信息损失。实验结果表明，所提出的方法在三个数据集（MRI/CT、MRI/PET和MRI/SPECT图像）上的无监督指标方面超越了当前最优的图像融合方法。所提出的方法成功捕捉了丰富的细节和颜色信息。此外，邀请了16名医生和医学生评估了该方法在辅助临床诊断和治疗中的有效性。
Keyword:
Medical image fusion
Diffusion
Local and global fusion
Deep learning
期刊
M
IF:
2.6
论文数:
311
被引数:
7.7K
机构
引用论文
Forming optimal projection images from intra-retinal layers using curvelet-based image fusion method利用基于曲波（Curvelet）的图像融合方法，从视网膜内层形成最优投影图像
OAAI
.png){kind=icon}
OAAI分享收藏FATFusion: A functional-anatomical transformer for medical image fusionFATFusion: 医学图像融合的功能解剖转换器
PREAI
分享收藏CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image FusionCDDFuse: 相关驱动的双分支特征分解在多模态图像融合中的应用OAAI
OAAI分享收藏
Dif-Fusion: Toward High Color Fidelity in Infrared and Visible Image Fusion With Diffusion ModelsDif融合: 在具有扩散模型的红外和可见光图像融合中实现高色彩保真度
PREAI
分享收藏Improving medical image fusion method using fuzzy entropy and nonsubsampling contourlet transform基于模糊熵和非下采样contourlet变换的医学图像融合改进方法
PREAI
分享收藏
查看更多内容