医疗图像的长距离相关导向双编码器融合网络
Tao Zhou1,2, Zhe Zhang3, Huiling Lu4
1School of Computer Science and Engineering, North Minzu University, Yinchuan, 750021, China.
Scientific reports
|November 6, 2025
概括
这项研究引入了一种用于多式联络医疗图像融合的新型网络,增强了特征依赖性和细粒度. 拟议的方法显著提高了肺部和大脑成像数据集的融合性能.
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:
- 多模式医学图像融合对于临床诊断至关重要.
- 现有的方法往往忽略了跨模式特征依赖性,并与多颗粒度融合作斗争.
- 当前融合技术的局限性需要先进的方法来提高诊断准确性.
研究的目的:
- 提出一个长距离关联引导的双编码器融合网络,用于增强多式联络医疗图像融合.
- 解决当前方法中特征依赖和多颗粒度融合的局限性.
- 为了提高医学图像融合的准确性和稳定性,用于临床应用.
主要方法:
- 开发了一种跨维多尺度特征提取模块 (CMFEM),用于细粒度特征增强.
- 引入了长距离相关融合模块 (LCFM),以捕捉不同细分度的模式间依赖关系和聚合特征.
- 验证了临床多模式肺部和大脑医学图像数据集的网络.
主要成果:
- 肺部数据集的融合性能指标 (IE,AG,EI) 显著改善,百分比增加分别为4.53%,4.10%,6.19%和6.62%.
- 大脑数据集的融合指标 (SF,VIF, [公式:参见文本]) 的实质性改进,分别显示了3.88%,15.71%和7.99%的改进.
- 与现有方法相比,拟议的网络展示了优越的聚变能力.
结论:
- 长距离相关导向双编码器融合网络有效地解决了多模式医疗图像融合的局限性.
- CMFEM 和 LCFM 模块能够在不同的细分和模式中进行强大的特征提取和融合.
- 该模型的验证性能凸显了其在医学图像分析中具有重大临床影响的潜力.
