LRFNet:由详细信息指导的实时医学图像融合方法
Dan He1, Weisheng Li2, Guofen Wang3
1School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Computers in biology and medicine
|April 3, 2024
概括
本研究引入了一个轻量级的残留融合网络,用于实时多式联络医疗图像融合 (MMIF). 这种新方法提高了聚变效率和细节保存,优于现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 多式医疗图像融合 (MMIF) 集成了多种图像数据,以增强诊断信息.
- 目前的深度学习融合方法在保留颜色/纹理细节和实现高效率方面面临挑战.
研究的目的:
- 开发一种实时MMIF方法,解决现有的深度学习方法的局限性.
- 为了改善颜色和纹理信息的保留,提高融合效率.
主要方法:
- 一个轻量级的残留聚变网络 (LRFNet),具有三分支特征提取框架.
- 独立的分支用于亮度和纹理,以及一个交互式的融合分支.
- 轻量余量单位和基于波形变换高频图像的自适应性损失权重策略.
主要成果:
- 拟议的LRFNet在MRI和功能图像上展示了卓越的融合性能和效率.
- 该方法有效地保留了复杂的细节,并显著减少了模型大小 (约. 5x) 的情况.
结论:
- 轻量余聚变网络为MMIF提供了有效和高效的解决方案.
- 这种方法推进了医学图像分析和诊断中的深度学习应用.


