Fusión híbrida SVD-VGG basada en YUV para la integración de imágenes multimodales de RM-PET

Área de la Ciencia:

• Imagenología Médica
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La fusión multimodal de imágenes médicas integra datos anatómicos y funcionales para mejorar el diagnóstico.
• Las degradaciones de adquisición, como el ruido, pueden comprometer la calidad de la imagen y la interpretación diagnóstica.

Objetivo del estudio:

• Proponer un marco híbrido eficiente (Fusión Híbrida SVD-VGG) para la fusión multimodal de imágenes médicas.
• Mejorar el detalle estructural y el contraste funcional, preservando la fidelidad de la imagen y el color.

Principales métodos:

• Se utilizó la Descomposición en Valores Singulares (SVD) para la descomposición de la luminancia.
• Se empleó un extractor de características ligero basado en VGG para la mejora de alta frecuencia.
• Se simuló ruido Gaussiano y de Poisson en imágenes de RM y PET, respectivamente.

Principales resultados:

• El método de Fusión Híbrida SVD-VGG demostró una fidelidad estructural y una calidad perceptual consistentes.
• Logró una excelente preservación del color y capacidades de reducción de ruido.
• Mantuvo un tiempo de ejecución inferior a un segundo por caso de imagen, lo que indica eficiencia.

Conclusiones:

• El diseño híbrido SVD-VGG ofrece una estrategia de fusión consciente del ruido y que preserva el color.
• Este enfoque es adecuado para la fusión práctica de imágenes multimodales en flujos de trabajo clínicos.
• Se justifica una mayor evaluación en diversos conjuntos de datos y condiciones de ruido del mundo real.