多模图像配准融合
生物医学图像配准与融合技术
生物医学图像配准与融合技术第一章：引言生物医学图像配准与融合技术是近年来在医学影像领域得到广泛应用的重要技术之一。
图像配准是指将不同时间、不同仪器或不同成像方式获得的医学图像进行对齐，以实现形态学或功能学上的比较和分析。
而图像融合则是将多个相互补充的医学图像信息融合为一个整体图像，以提升诊断和治疗的准确性和可行性。
本章将介绍生物医学图像配准与融合技术的研究背景和意义。
第二章：生物医学图像配准技术2.1 影像配准方法影像配准算法主要分为刚体变换、仿射变换和非刚体变换三种类型。
刚体变换适用于不考虑局部形变的情况，如脑部图像的配准；仿射变换可以捕捉到平移、旋转和尺度变换等刚性形变的信息；非刚体变换则适用于表达非刚性形状变化的情况，如心脏或肺部图像的配准。
2.2 图像特征提取图像特征提取是影像配准的重要步骤，其目的是从不同图像中提取出具有对应关系的特征点。
常用的特征提取方法包括尺度不变特征变换（SIFT）、速度鲁棒特征（SURF）和主成分分析（PCA）等。
2.3 配准评估准确评估配准结果对于衡量配准算法的性能至关重要。
常用的评估方法包括均方根误差（RMSE）、互信息（MI）和互相关（CC）等。
第三章：生物医学图像融合技术3.1 多模态图像融合多模态图像融合是指将不同成像模态获得的医学图像信息进行融合，以提高诊断和治疗的准确性和可行性。
常见的多模态图像融合方法包括基于权重功能的融合、基于变换域的融合和基于学习的融合。
3.2 多尺度图像融合多尺度图像融合是指将不同尺度获得的图像信息进行融合，以获取更全面和细致的图像信息。
常用的多尺度图像融合方法包括金字塔融合、小波变换和骨架表示等。
3.3 区域特异性图像融合区域特异性图像融合是指将感兴趣区域（ROI）的图像信息进行融合，以突出重要区域的细节信息。
常见的区域特异性图像融合方法包括基于区域分割的融合、基于判别性分析的融合和基于学习的融合。
第四章：应用研究与前景展望4.1 临床应用生物医学图像配准与融合技术在临床应用中具有广阔的前景。
高精度图像配准与多模态医学图像融合技术研究
高精度图像配准与多模态医学图像融合技术研究随着医学图像的广泛应用，图像配准和图像融合成为医学影像领域中的重要技术。
在临床诊断和治疗过程中，医生通常需要多种不同模态的医学图像进行综合分析，以获得更全面准确的信息。
因此，高精度的图像配准和多模态图像融合技术对于提高诊断和治疗效果至关重要。
图像配准是指将两个或多个图像对齐，使得它们在空间上具有相同的几何形状和位置关系。
高精度的图像配准可以辅助医生更准确地分析和比较不同时间点或不同模态的医学图像，进而帮助诊断和治疗决策。
常见的图像配准方法包括基于特征点的配准、基于互信息的配准和弹性配准等。
特征点是图像中显著的结构或区域，通过寻找两个图像之间的共同特征点，可以实现图像的配准。
特征点配准方法具有鲁棒性高、计算效率高等优点，广泛应用于医学图像的配准领域。
互信息是一种统计度量，可用于比较两幅图像之间的信息差异。
基于互信息的配准方法可以自动地找到两个图像之间的最优匹配，对于图像配准的精度和鲁棒性都有很好的表现。
弹性配准是一种基于变形场的配准方法，可以处理图像形变和畸变，提高配准的精度和稳定性。
多模态医学图像融合技术是将来自不同模态的医学图像进行融合，以获得更丰富的信息。
常用的多模态图像融合方法包括像素级融合和特征级融合。
像素级融合是指将不同模态的图像像素值进行融合，得到新的融合图像。
特征级融合是通过提取不同模态图像的特征，并将其融合，以得到融合图像。
多模态医学图像融合技术可以提供更准确、更全面的医学图像信息，对于改善医生对病情判断和治疗方案设计具有重要意义。
为了实现高精度的图像配准和多模态医学图像融合，研究人员提出了许多方法和算法。
其中，深度学习技术在医学图像处理中的应用受到了广泛关注。
深度学习模型可以通过学习大量图像数据中的特征和模式，实现自动图像配准和融合。
例如，卷积神经网络（CNN）被广泛应用于医学图像配准任务，通过学习图像的特征表示，实现准确的配准。
此外，生成对抗网络（GAN）可以用于多模态医学图像融合任务，通过训练生成器和判别器网络，实现多模态医学图像的生成和融合。
多模图像配准融合
多模图像配准融合浅析多模态医学图像的配准与融合技术来源：本站原创作者：朱俊林发布时间：2009-06-071 医学图像的配准技术简介医学图像的配准技术是90年代才发展起来的医学图像处理一个重要分支,并且日益受到了医学界和工程界的重视。
医学图像的配准是指对于一幅医学图像寻求一种或者是一系列的空间变换,使两幅图像的对应点达到空间位置和解剖结构的一致，这种一致是指人体上的同一解剖点在两张匹配的图像上有相同的空间位置。
简单地说医学图像配准就是解决两幅图像的严格对齐问题。
配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的解剖点及手术感兴趣的点都达到匹配。
医学图像的配准按图像来源分为：单模态(mono-modality)与多模态配准(multi-modality)。
单模态配准是指对来自同一成像设备的不同时刻或不同角度的图像进行配准。
但在实际临床应用中，单一模态的图像往往不能提供医生所需要的足够信息，通常需要将不同模态的图像融合在一起得到更丰富的信息量，从而作出准确的诊断，制订出合适的治疗方案。
所谓多模态配准，是将来自不同形式的医学图像进行空间上的对准，将对应的相同解剖位置标记出来以实现图像融合和进一步后期处理。
多模态图像之间的配准使用最频繁,主要应用在诊断方面,可分为解剖—解剖的配准和解剖—功能的配准两大类,前者将显示组织形态学不同方面的两幅图像混合,后者将组织的新陈代谢与它相对于解剖结构的空间位置联系起来。
目前，主要的研究工作重点是进行CT、MRI以及PET、fMRI等图像的配准。
2 医学图像融合技术简介医学图像的融合是指将两幅(或两幅以上)来自不同成像设备或不同时刻获取的已配准图像，采用某种算法，把各个图像的优点或互补性有机结合起来，获得信息量更为丰富的新图像的技术。
医学诊断往往要综合许多不同信息进行，传统的方法是，临床医生利用灯箱分别观看这些胶片，综合对比，得到结果。
如果能够把这些互补信息以某种方式综合在一起作为一个整体作为医学诊断的依据，使得临床医生只要在一张综合图像上就能看到不同原始图像的信息，那么就能提供全方位的信息细节。
如何利用图像处理技术进行多视角图像融合
如何利用图像处理技术进行多视角图像融合图像融合是计算机视觉领域中的重要技术之一，它能够将多个视角的图像信息融合为一个更为准确和完整的图像。
图像融合技术在许多应用领域具有广泛的应用，例如航空航天、地质勘探、医学影像等。
其中，利用图像处理技术进行多视角图像融合是一种常见且有效的方法。
本文将介绍如何利用图像处理技术进行多视角图像融合。
多视角图像融合的基本原理是通过对多幅图像进行配准和融合，从而得到更为准确和全面的图像信息。
图像配准是指将多幅图像进行对齐，使得它们在相对位置和尺度上保持一致。
图像融合是指将多幅配准后的图像进行加权或融合，得到一幅综合的图像。
下面将逐步介绍多视角图像融合的具体过程。
第一步是图像配准。
图像配准可以采用特征点匹配的方法，通过检测图像中的特征点，并找出它们之间的对应关系。
常用的特征点包括角点、斑点、边缘等。
一旦找到了特征点的对应关系，就可以通过应用几何变换，如仿射变换或投影变换，将图像进行对齐。
图像对齐后，它们的尺度、旋转和平移关系将一致，为后续的图像融合奠定基础。
第二步是图像融合。
在图像融合过程中，可以采用像素级融合或特征级融合的方法。
像素级融合是指通过调整图像的亮度、对比度和颜色等属性，使得它们在空间上平滑过渡，并融合为一幅全新的图像。
常用的像素级融合方法包括加权平均、Laplace金字塔融合和小波变换融合等。
特征级融合是指将图像中的特征提取出来，再进行融合。
常用的特征级融合方法包括特征加权融合、特征匹配融合和特征拼接融合等。
在进行图像融合时，还需要考虑到图像质量的评估和优化。
图像质量评估是指通过一些客观的指标，如均方误差、峰值信噪比和结构相似性指标等，对融合后的图像进行质量评估。
根据评估结果，可以对融合过程进行优化，以得到更好的图像融合效果。
除了基本的图像处理技术，还有一些高级的技术可以用于多视角图像融合。
例如，通过深度学习方法，可以学习图像的特征表示和融合权重，以得到更准确和自然的图像融合结果。
医学图像配准与融合算法研究
医学图像配准与融合算法研究一、引言在医学领域中，图像配准与融合技术起到了至关重要的作用。
医学图像是医生进行疾病诊断与治疗的重要依据，而不同来源、不同模态的医学图像可能存在位置、形态上的差异。
图像配准与融合算法能够通过对多幅医学图像进行处理与整合，提高医生对病情的诊断准确性，并且在医学影像导航、手术引导、治疗评估等方面发挥重要作用。
本文将对医学图像配准与融合算法的研究进行探讨。
二、医学图像配准算法1. 刚体变换配准算法刚体变换配准算法是一种常用的医学图像配准方法，它通过对两幅图像中的特征点进行匹配，计算出旋转、平移和缩放的参数，以实现两幅图像的精确对齐。
该方法适用于解决位置变化较小的图像配准问题。
2. 弹性变形配准算法弹性变形配准算法是一种能够解决图像形态差异较大的医学图像配准方法。
该算法基于物理模型，通过对图像进行网格划分，并在每个网格点上计算出弹性变形场，以实现对图像的形态变换。
弹性变形配准算法可以广泛应用于不同部位、不同模态的医学图像配准。
三、医学图像融合算法1. 像素级融合算法像素级融合算法是一种将两幅或多幅医学图像像素级别进行整合的方法。
该算法通过对不同图像的像素进行加权平均或逻辑运算，以生成一幅融合后的医学图像。
像素级融合算法能够有效整合不同模态、不同特征的医学图像信息。
2. 特征级融合算法特征级融合算法基于图像处理和机器学习技术，通过提取不同图像的特征，并将其融合起来，以实现对医学图像的融合。
该算法能够加强图像的边缘信息、纹理信息等，并提高医生对疾病的识别能力。
四、医学图像配准与融合算法的研究进展随着计算机技术和医学影像设备的不断发展，医学图像配准与融合算法在疾病诊断与治疗中的应用越来越广泛。
目前，研究者们将深度学习、人工智能等技术引入医学图像配准与融合算法的研究中，取得了较好的效果。
例如，利用深度学习算法对医学图像进行特征提取和匹配，可以提高医学图像配准的准确性和效率。
此外，还有一些新的医学图像配准与融合算法被提出，如基于图像分割的配准算法、基于形变场的融合算法等，这些算法能够更加精确地对医学图像进行处理与分析。
计算机视觉中的图像配准与融合研究
计算机视觉中的图像配准与融合研究引言：计算机视觉是一门涉及图像处理和模式识别的领域，通过利用计算机和算法来对图像进行分析、处理和理解。
图像配准与融合是计算机视觉领域中的重要技术之一，主要用于将多幅图像进行对齐和融合，以便于后续的分析和应用。
本文将对图像配准与融合的研究进行探讨，并着重介绍其中的方法和应用。
一、图像配准的概念和方法1.1 图像配准的概念图像配准是指通过对两幅或多幅图像进行几何变换，将它们对齐到同一坐标系统下的过程。
通常情况下，图像配准的目标是找到两幅或多幅图像之间的几何变换关系，使得它们在空间上尽可能地一致。
图像配准在许多应用领域中都具有重要的作用，比如医学影像分析、地理信息系统等。
1.2 图像配准的方法图像配准的方法可以分为特征点匹配和区域匹配两类。
特征点匹配是指通过寻找图像中的特征点，在不同图像中找到相对应的特征点，并利用这些特征点之间的几何关系进行配准。
其中常用的特征点包括角点、边缘和斑点等。
特征点匹配的优点是计算量较小，适用于各种类型的图像，但是对于无特征点或者特征点分布不均匀的图像，会出现匹配失败的情况。
区域匹配是指将图像划分为不同的区域，并通过比较不同区域之间的相似度来进行配准。
常用的区域匹配方法有相位相关性匹配、互信息匹配等。
区域匹配的优点是对于无特征点或者特征点分布不均匀的图像有较好的适应性，但是计算量较大，且对图像质量要求较高。
二、图像融合的概念和方法2.1 图像融合的概念图像融合是指将多幅图像融合成一幅新的图像，该新图像具有比原始图像更多的信息，并能够更好地显示和表达目标。
图像融合在计算机视觉和图像处理中有着广泛的应用，比如卫星图像融合、医学图像融合等。
2.2 图像融合的方法图像融合的方法可以分为基于像素级融合和基于特征级融合两类。
基于像素级融合是指通过对原始图像中的像素进行加权平均或其他数学计算，生成一幅新的图像。
常用的基于像素级融合方法有加权平均算法、拉普拉斯金字塔融合算法等。
测绘技术中的图像配准与融合算法解析
测绘技术中的图像配准与融合算法解析导语：测绘技术是一门研究测量、制图和地理信息处理的学科，而图像配准和融合算法是测绘技术中的重要组成部分。
本文将对图像配准和融合算法进行解析，总结其原理和应用，并探讨其在实际工程中的应用前景。
一、图像配准算法的原理图像配准是将多幅或多源图像定位、对齐、配准到统一的坐标系统中的过程。
在测绘、遥感和地理信息系统等领域中，图像配准是数据融合和高精度信息提取的关键环节。
图像配准算法的原理主要包括特征提取、特征匹配和变换模型三个步骤。
特征提取是指通过算法从原始图像中提取出具有显著的、可区分的特征点或特征区域。
这些特征点可以是角点、边缘点、斑点等，通过识别这些特征点可以使得图像配准的过程更加准确和稳定。
特征匹配是指在两幅或多幅图像中，通过比较特征点的相似性来建立它们之间的对应关系。
常见的特征匹配算法包括基于相似度的匹配算法和基于拓扑关系的匹配算法。
前者包括最小距离匹配、K近邻匹配等，后者包括RANSAC算法、Hough变换等。
变换模型是指将参考图像与待配准图像之间的几何关系通过数学模型来表示。
常用的变换模型包括刚体变换、相似变换、仿射变换和投影变换等，根据图像间的几何关系选择合适的变换模型，从而实现图像的配准。
二、图像融合算法的原理图像融合是指将多幅或多种类型的图像融合成一幅图像，以获得更多的信息和更好的视觉效果。
图像融合算法的原理主要包括图像预处理、图像融合和图像后处理三个步骤。
图像预处理是指对原始图像进行滤波、增强、分割等操作，以提高图像质量和增强图像的信息。
常用的图像预处理方法包括直方图均衡化、高斯滤波、中值滤波等，通过这些预处理方法可以减少图像噪声和增加图像对比度。
图像融合是指将多幅图像的信息融合在一起，以提取出更丰富和更准确的信息。
常见的图像融合算法包括像素级融合算法、特征级融合算法和决策级融合算法等。
这些算法根据图像的特点和应用需求，选择合适的融合方法来实现图像融合。
多模态图像处理中的图像配准和融合技术研究
多模态图像处理中的图像配准和融合技术研究随着近年来技术的不断提升和发展，多模态图像处理技术应运而生，成为一种重要的图像处理方法。
多模态图像处理，如何把观测到的多种图像融合成一幅综合图像，是这个领域中最重要的问题之一。
而图像配准则是融合多种图像的基础。
本文就此问题进行详细的探讨。
一、什么是多模态图像处理？多模态图像处理是利用多种成像方式获取的图像，如磁共振成像、计算机断层成像和超声成像等，将它们进行融合、处理或分类等，以得到更为准确、详尽的图像信息。
由于每种成像方法的特点、造影剂和机器的缺陷等原因，所得到的图像会因此而有所不同。
因此可以通过多种图像融合方法进行图像处理，既能够保留各种图像的优点，又能对缺点进行互补，达到最佳的成像效果。
而完成多模态图像处理所需的配准、融合等技术则是多模态图像处理的核心。
二、图像配准图像配准是指将两幅或多幅图像进行对齐，使它们在几何上相似、各自对应的区域叠合。
而能够完成图像配准的关键则在于对图像间的相似性的评价。
据此图像配准方法可分为基于特征的配准与基于相似度度量的配准。
1.基于特征的配准基于特征的配准主要包括通过检测、描述和匹配特定特征点或特征区域，在图像中达到对应的目的。
目前常用的包括SIFT（尺度不变特征变换）、SURF（高速特征检测与描述符）、ORB（旋转不变特征）等方法。
此类方法在配准精度上较好，并且能够取得较为鲁棒的结果。
但其缺点是计算量较大，对图像质量有较高的要求。
2.基于相似度度量的配准基于相似度度量的配准是通过找到两幅图像相似的地方来完成叠合的。
具体而言，是通过构建相似变换模型来实现两幅图像的匹配。
其核心是在寻找一个变换T，在将源图像进行变换后，其与目标图像的相似度最大。
常用的方法有SSD（差值平方和）、NCC（归一化互相关系数）等。
此类方法适用性广，不会因为局部变化而产生误差，较为快速，对于静态场景配准效果较好。
但该方法的精度无法保证。
三、图像融合图像配准完成后，另一个问题是如何进行图像融合，将多幅图像融合成一幅综合图像。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多模图像配准融合
浅析多模态医学图像的配准与融合技术
来源：本站原创作者：朱俊林发布时间：2009-06-07
1 医学图像的配准技术简介
医学图像的配准技术是90年代才发展起来的医学图像处理一个重要分支,并且日益受到了医学界和工程界的重视。
医学图像的配准是指对于一幅医学图像寻求一种或者是一系列的空间变换,使两幅图像的对应点达到空间位置和解剖结构的一致，这种一致是指人体上的同一解剖点在两张匹配的图像上有相同的空间位置。
简单地说医学图像配准就是解决两幅图像的严格对齐问题。
配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的解剖点及手术感兴趣的点都达到匹配。
医学图像的配准按图像来源分为：单模态(mono-modality)与多模态配准(multi-modality)。
单模态配准是指对来自同一成像设备的不同时刻或不同角度的图像进行配准。
但在实际临床应用中，单一模态的图像往往不能提供医生所需要的足够信息，通常需要将不同模态的图像融合在一起得到更丰富的信息量，从而作出准确的诊断，制订出合适的治疗方案。
所谓多模态配准，是将来自不同形式的医学图像进行空间上的对准，将对应的相同解剖位置标记出来以实现图像融合和进一步后期处理。
多模态图像之间的配准使用最频繁,主要应用在诊断方面,可分为解剖—解剖的配准和解剖—功能的配准两大类,前者将显示组织形态学不同方面的两幅图像混合,后者将组织的新陈代谢与它相对于解剖结构的空间位置联系起来。
目前，主要的研究工作重点是进行CT、MRI以及PET、fMRI等图像的配准。
2 医学图像融合技术简介
医学图像的融合是指将两幅(或两幅以上)来自不同成像设备或不同时刻获取的已配准图像，采用某种算法，把各个图像的优点或互补性有机结合起来，获得信息量更为丰富的新图像的技术。
医学诊断往往要综合许多不同信息进行，传统的方法是，临床医生利用灯箱分别观看这些胶片，综合对比，得到结果。
如果能够把这些互补信息以某种方式综合在一起作为一个整体作为医学诊断的依据，使得临床医生只要在一张综合图像上就能看到不同原始图像的信息，那么就能提供全方位的信息细节。
3 医学图像配准及融合的关系及意义
医学图像的配准和融合有着非常密切的关系，特别是对于多模态图像而言，配准和融合是密不可分的。
配准是融合的前提，也是决定图像融合技术发展的关键技术，若事先不对待融合图像进行空间上的对准，那么融合后的图像也是毫无意义的。
融合是配准的目的，通过来自不同影像设备的图像融合，可以得到更多的信息，提高影像数据的利用率。
在多模态医学图像信息融合中，是要把相对应的组织结构融合在一起，而待融合的图像往往来自不同的成像设备，它们的成像方位、角度和分辨率等因素都是不同的，所以这些图像中相应组织的位置、大小等都是有差异的，必须先进行配准处理，才能实现准确地融合。
医学影像学为临床诊断提供了多种模态的医学图像，如 CT、MR、SPECT、PET、fMRI、DSA等，这些图像可以提供关于病变组织或器官的解剖或功能信息，它们各有特点。
如：在放射外科手术计划中，CT图像具有很高的分辨力，骨骼成像非常清晰，但对软组织病灶本身显示较差。
而MRI图像则不同，虽然其空间分辨力比不上CT图像，但是它对软组织成像清晰，有利于病灶范围的确定．可是它缺乏刚性的骨组织作为定位参照。
SPET、PET提供了人体的功能信息，但对解剖结构的描述却很差，而MRI、CT、X线成像对人体解剖结构描画的很好，却缺乏人体的功能信息，两者的融合可获取一种新型复合图像，可增加诊断信息，使患者病灶的定位更准确，使其形态结构显示得更直观可见。
在放疗中，利用MR图像勾画出肿瘤的轮廓线，即描述肿瘤的大小；利用CT图像计算出放射剂量的大小及剂量的分布，以便修正治疗方案，所以CT与MR图像融合为外科手术提供有力的证据。
不同模态的医学图像都有各自的优缺点，如果我们能把它们之间的互补信息综合在一起，把它们作为一个整体来表达，那么就能为医学诊断，人体的功能和结构的研究提供更充分的信息，这就是医学图像信息融合的作用和意义。
总之，医学图像配准为临床诊断、治疗、手术设计及手术效果评估等提供了更全面的来自不同图像之间的相互补充或变化的信息，它是目前医学图像处理的热点问题。
4医学图像配准与融合的方法
医学图像配准过程实质上是一个多参数最优化问题，其配准方法是由特征空间、搜索空间、搜索算法和相似性测度四个不同方面的组合。
按照这种组合，一般配准的基本步骤为:1)图像特征的提取2)图像的几何变换３）使用优化算法。
目前图像配准按照配准所依靠的图像特征的不同可以分为基于外部特征的图像配准（有框架）和基于内部特征的图像配准（无框架）两种方法。
后者由于无创性和可回溯性，已成为配准算法的研究中心。
基于互信息的弹性形变模型也正成为研究热点。
基于体素的方法是当今最流行的方法,因为他们是全自动的,而且鲁棒性好。
在完成图像的几何校正、噪声消除及图像的配准后，接下来的工作才是真正意义上的信息融合过程。
一般图像融合的处理流程主要有：1)图像预处理(基于像素)；2)特征提取；3)分类；4)结果评价与应用。
按照融合在处理流程中所处的阶段，以及所作用的对象的不同，可以将图像融合分为 3 个层次：象元级融合、特征级融合、分类(决策)级融合。
通过信息融合，将减少或抑制医学图像中的不完全性、不确定性，从而提高图像分割、识别、解释的能力。
根据这三个不同的层次，图像融合将采用各种不同的算法来实现。
现阶段医学图像的融合，一般只涉及象素级、特征级的融合。
像素级融合是最低层次的信息融合，其实现过程是在采集到的原始图像数据层上直接进行综合分析。
它的优点是能保持尽可能多的数据，提供其它融合层次不能提供的细微信息。
特征级融合属于中间层次，其处理方法是对来自不同成像设备的原始信息进行特征制取，然后再对获得的多个特征信息进行综合分析和处理。
5医学图像融合发展技术趋势
医学数据的可视化，已成为数据可视化领域中最为活跃的研究领域之一。
由于近代非侵入诊断技术如 CT、MRI 和PET的发展，医生已经可以较易获得病人有关部位的一组二维断层图像。
CT 打破传统的胶片感光成像模式，通过计算机
重构人体器官或组织的图像，使医学图像从二维走向三维，使人们从人体外部可以看到内部。
PET把核技术与计算机技术结合起来，经核素标记的示踪剂注入人体后，核素衰变过程中产生的正电子湮灭通过电子检测和计算机重构成像，使我们可以得到人体代谢或功能图像。
在此基础上，利用可视化软件，对上述多种模态的图像进行图像融合，可以准确地确定病变体的空间位置、大小、几何形状以及它与周围生物组织之间的空间关系，从而及时高效地诊断疾病。
在图像融合的研究中，不断有新融合算法的出现。
小波分析是近几年出现的一个新的研究热点，它被认为是傅立叶分析方法的突破性进展。
小波变换居有良好的空间和频率域上的局域性，从而能通过伸缩平移等运算功能对信息进行多尺度的细化分析。
小波变换用于图像融合有不少优点：图像经小波分解后，不同分辨率的细节信息互不相关，这样可以将不同频率范围内的信号分别组合，产生多种具有不同特征的融合图像；图像在不同分辨率水平上的能量和噪声不会互相干扰；融合图像的块状伪影亦容易消除。
小波变换可以利用在低分辨率下的配准参数作为基础和引导，从而得到高分辨率下更为准确的结果，这种层层细化、逐步逼近的方法，不但有较强的鲁棒性，而且加快了配准参数搜索的速度，节约了配准时间。
基于这些优点，小波变换在医学图像融合中的应用研究受到越来越多的重视，已是融合研究的一个热点。
医学图像融合技术综合了多种现代科学技术，并将随着各学科的飞速发展而不断发展，我们相信21 世纪的影像学是解剖影像与功能影像相融合的影像学。
因此我们深信，随着研究的不断深入，多模态医学图像融合技术在融合速度、精度、稳定性等方面将会日趋完善，应用也会更加广泛和普遍，从而更好地辅助医生诊断和临床治疗。
快捷、简便、准确和可靠的医学图像融合技术将会在临床诊断和治疗、计算机辅助诊断、远程医疗及手术导航等方面有着广阔的应用前景。
（作者：南京第一医院）。