【CN109801251A】医学影像的融合方法及基于融合医学影像学习的图像检测方法【专利】
医学影像的融合技术及其应用
医学影像的融合技术及其应用随着科技的不断发展，医学影像的融合技术已逐渐成为医学领域中的热门话题。
医学影像的融合技术是指将不同类型的医学影像进行整合，从而产生更全面和准确的诊断结果。
本文将详细介绍医学影像的融合技术及其应用。
一、医学影像融合技术的原理和分类医学影像的融合技术是建立在不同类型的影像信息上，通过计算机分析和整合来获取一些更全面、准确的信息的。
融合技术的主要原理是在研究对象的数字图像信息库中寻找有效的、相关的、准确的特征，将它们相互匹配、整合，达到最终结果的目的。
医学影像的融合技术可以根据其影像类型分为多模态影像融合和多视角影像融合两类。
多模态影像融合是将不同的医学影像信息融合在一起，如CT和MRI影像融合等。
多模态影像融合能够获得更全面的影像信息，从而提高医生诊断的准确性。
多视角影像融合是将来自不同视角的影像信息进行融合，如CT、MRI、微波成像、超声成像等。
多视角影像融合技术能够为医生提供不同方向、不同视野的立体图像，从而更好地展现病变情况。
二、医学影像融合技术的应用与优势1.辅助临床诊断医学影像融合技术的一个主要应用就是辅助医生进行临床诊断。
融合技术可以将多个不同类型或来源的医学影像信息融合在一起，提供更全面、详细和准确的信息，帮助医生更好地了解病变的性质和范围，从而提高诊断的准确性。
例如，CT和MRI影像融合技术可以准确地识别肿瘤、炎症和感染等，从而帮助医生制定更准确、全面的治疗方案。
2.引导手术操作医学影像融合技术的另一个重要应用就是为手术操作提供指导。
多模态影像融合可以为医生提供更全面、更准确的影像信息，帮助其更好地进行手术规划和操作。
多视角影像融合技术可以提供多个角度的影像，为医生提供手术方向和操作场景，从而更好地执行精密手术。
3.疾病预测和监测医学影像融合技术还可以应用于疾病的预测和监测，尤其是对于慢性疾病的预测和监测更为重要。
应用融合技术来对患者进行全面、详细的检测，可以监测病变的演变和影响，并在早期发现和处理问题，从而预防病情的恶化发展。
医学影像诊断中的数据融合方法使用教程
医学影像诊断中的数据融合方法使用教程导语：随着医学影像技术的发展和进步，医学影像诊断在临床实践中扮演着重要的角色。
然而，由于医学影像技术的限制和局限性，单一的影像无法提供全面准确的诊断信息。
为解决这一问题，数据融合方法在医学影像诊断中被广泛应用。
本文将介绍医学影像诊断中常用的数据融合方法及其使用教程。
一、数据融合方法的概述数据融合是指将来自不同来源或不同模态的数据进行整合和组合，以增加信息量、提高准确性和可靠性的一种技术方法。
在医学影像诊断中，数据融合方法可以将先进的图像处理技术与不同类型的医学影像进行结合，从而实现更准确、全面的诊断结果。
常见的数据融合方法包括以下几种：1. 图像融合（Image Fusion）：将来自不同模态的医学影像进行融合，生成一幅包含多种信息的合成影像。
常用的图像融合方法包括像素级融合、特征级融合和决策级融合。
2. 数据融合（Data Fusion）：将来自不同来源的医学影像和其他临床数据进行融合，以获取全面的信息。
数据融合可以包括文本数据、数字数据和图形数据等。
3. 强化学习融合（Reinforcement Learning Fusion）：使用增强学习算法对医学影像进行学习和融合，以获取更准确的诊断结果。
二、图像融合方法的使用教程图像融合是医学影像诊断中常用的数据融合方法之一，下面将介绍图像融合方法的使用教程。
1. 确定融合需求：首先需要确定何种类型的医学影像需要进行融合，例如CT和MRI影像的融合。
根据具体的融合需求，选择合适的图像融合方法。
2. 数据预处理：对需要融合的医学影像进行预处理，包括图像对齐、质量校正和噪声去除等。
确保原始数据的准确性和一致性。
3. 图像融合方法选择：根据融合需求，选择合适的图像融合方法。
常见的图像融合方法包括像素级融合、特征级融合和决策级融合。
根据实际应用场景，选择最适合的方法。
4. 图像融合算法实现：根据选择的融合方法，使用相应的算法实现图像融合。
谈医学影像的融合
谈医学影像的融合科技的进步带动了现代医学的发展，计算机技术的广泛应用，又进一步推动了影像医学向前迈进。
各类检查仪器的性能不断地提高，功能不断地完善，并且随着图像存档和传输系统(PACS)的应用，更建立了图像信息存储及传输的新的模式。
而医学影像的融合，作为图像后处理技术的完善和更新，将会成为影像学领域新的研究热点，同时也将是医学影像学新的发展方向。
所谓医学影像的融合，就是影像信息的融合，是信息融合技术在医学影像学领域的应用；即利用计算机技术，将各种影像学检查所得到的图像信息进行数字化综合处理，将多源数据协同应用，进行空间配准后，产生一种全新的信息影像，以获得研究对象的一致性描述，同时融合了各种检查的优势，从而达到计算机辅助诊断的目的［1，2］。
本文将从医学影像融合的必要性、可行性、关键技术、临床价值及应用前景5个方面进行探讨。
1 医学影像融合的必要性1.1 影像的融合是技术更新的需要随着计算机技术在医学影像学中的广泛应用，新技术逐渐替代了传统技术，图像存档和PACS的应用及远程医疗的实施，标志着在图像信息的存储及传输等技术上已经建立了新的模式。
而图像后处理技术也必须同步发展，在原有的基础上不断地提高和创新，才能更好更全面地发挥影像学的优势。
影像的融合将会是后处理技术的全面更新。
1.2 影像的融合弥补了单项检查成像的不足目前，影像学检查手段从B超、传统X线到DSA、CR、CT、MRI、PET、SPECT等，可谓丰富多彩，各项检查都有自身的特点和优势，但在成像中又都存在着缺陷，有一定的局限性。
例如：CT检查的分辨率很高，但对于密度非常接近的组织的分辨有困难，同时容易产生骨性伪影，特别是颅后窝的检查，影响诊断的准确性；MRI检查虽然对软组织有超强的显示能力，但却对骨质病变及钙化病灶显示差；如果能将同一部位的两种成像融合在一起，将会全面地反映正常的组织结构和异常改变，从而弥补了其中任何一种单项检查成像的不足。
医学图像融合方法研究
摘要作为多传感器数据融合的一个重要分支，图像融合是指将多个传感器采集的关于同一目标或场景的图像数据，根据某种算法进行适当的综合处理，产生一幅满足某种需求的新图像，而这一图像通常是单传感器所无法得到的。
医学图像融合是图像融合的一个极具特色的应用领域。
随着医学影像学的不断发展，出现了很多先进的成像设备，从而为临床诊断提供了多种模态的医学图像。
医学图像融合充分利用多模态的图像，获得它们的互补信息，使临床的诊断和治疗更加准确完善。
本文研究的重点就是像素级医学图像融合技术。
首先介绍了医学图像融合的概念、意义、研究现状，并且介绍了图像融合的层次模型、常用方法与医学图像融合的分类。
然后研究了基于小波变换的医学图像融合方法。
从小波理论的发展开始，介绍了小波的基本理论、图像的二维小波分解与重构、基于小波变换的医学图像融合的原理与一般步骤。
讨论了不同的小波基和融合规则对融合图像质量的影响，提出了基于区域方差的多小波基联合的医学图像融合方法。
按照本文提出的方法，进行了相应的仿真实验，并利用文中介绍的评价标准，验证了所提出方法的优越性。
最后，研究了基于小波-Contourlet变换的图像融合方法，进行了基于Contourlet变换和小波-Contourlet变换的医学图像融合仿真实验。
关键词图像融合医学图像多小波基区域方差小波变换小波-Contourlet变换AbstractAs an important branch of Multi-sensor data fusion, image fusion is that the image data which are captured by multiple sensors on the same target or scene are processed the integrated treatment of appropriate according to an algorithm. That can obtain a new image which satisfies certain requirements. And this image usually can not be obtained by a single sensor. Medical image fusion is a very unique application of image fusion. With the rapid development of the medical imaging, multiple advanced medical imaging equipments provide more modality of medical imaging information for clinical diagnosis. Medical image fusion takes full advantage of the complementary information between multimodal images to make clinical diagnosis and treatment more accurate and complete.Focus of this study is that medical image fusion at pixel level. Firstly, it introduced the concept, significance, research status of medical image fusion, then described the hierarchical model, common methods and classification of image fusion. And researched the principles of medical image fusion based on wavelet transform. Starting from the development of wavelet theory, introduced the basic theory of wavelet, two-dimensional image wavelet decomposition and reconstruction, the general principle of medical image fusion based on wavelet transform and integration steps.This paper discusses the impact of different wavelet bases and different fusion rules to the quality of the fusion image, and proposes a medical image fusion algorithm based on regional variance and multi-wavelet bases. Then conducted the corresponding simulation experiments according to the proposed method, and using the evaluation criteria described in the text to demonstrate the superiority of the proposed method.Finally, researched the image fusion based on wavelet-Contourlet transform, and conducted medical image fusion simulation based on Contourlet transform and wavelet-Contourlet transform.Keywords Image fusion Medical image Multi-wavelet bases Regional variance Wavelet Wavelet-Contourlet transform第1章绪论第1章绪论由于传感器技术的快速进步，机器获取的图像信息大量增加，并且表现的更加复杂和多样。
基于深度学习的医学像融合技术研究综述
基于深度学习的医学像融合技术研究综述基于深度学习的医学图像融合技术研究综述随着深度学习技术的快速发展，其在医学图像处理领域中的应用也逐渐受到重视。
医学图像融合技术是指将多模态的医学图像信息合并成一个统一的图像，以提供更全面和准确的医学诊断或治疗方案。
本文将对基于深度学习的医学图像融合技术进行综述。
一、深度学习在医学图像融合中的应用在医学图像融合中，深度学习技术已经被广泛应用。
其中，卷积神经网络（Convolutional Neural Network，CNN）因其优秀的图像特征提取能力被广泛采用。
通过将多个模态的医学图像输入到CNN网络中，可以获得更准确的诊断结果，辅助医生进行判断。
二、基于深度学习的医学图像融合方法1. 多输入多输出网络多输入多输出网络是指通过将多个模态的医学图像同时输入到网络中进行训练，并且输出融合后的图像。
这种方法可以充分利用多个模态图像的信息，在保留各自特点的同时，获得更全面和准确的图像信息。
2. 逐层融合网络逐层融合网络通过逐层融合来自不同模态的图像特征。
首先，对每个模态的图像进行特征提取，然后使用融合层将特征进行融合，最后将融合后的特征输入到分类或者医学诊断模型中。
这种方法可以较好地保留各模态图像的信息，并提取出它们之间的相关性。
3. 基于生成对抗网络的图像融合生成对抗网络（Generative Adversarial Network，GAN）是一种常用的深度学习模型，常用于图像生成任务。
在医学图像融合中，可以使用GAN模型来生成融合后的图像。
通过训练生成器和判别器的博弈，可以得到更逼真和合理的医学图像融合结果。
三、基于深度学习的医学图像融合技术的优势和挑战基于深度学习的医学图像融合技术具有如下优势：1. 提高了医学图像处理的准确性：深度学习可以有效提取医学图像的特征，提高了图像处理的准确性和效率。
2. 提供了更全面的医学信息：融合多种模态的医学图像可以提供更全面的医学信息，辅助医生制定更合理的治疗方案。
基于像处理的医学像配准与融合研究
基于像处理的医学像配准与融合研究基于图像处理的医学图像配准与融合研究图像配准和融合是医学影像处理的重要任务之一，它们在医学诊断与治疗中发挥着关键作用。
通过将多个医学图像进行配准和融合，可以提高医生对疾病的诊断准确性，为患者提供更好的治疗方案。
本文将探讨基于图像处理的医学图像配准与融合的研究方法和应用。
一、图像配准的原理和方法图像配准是指将不同位置、角度或时间获取的医学图像进行对齐，使其在空间上完全或近似重合。
图像配准可通过刚体变换或非刚体变换来实现。
刚体变换适用于具有相似几何形状的结构，而非刚体变换则适用于形状复杂、灵活的结构。
1. 刚体变换刚体变换是最简单的图像配准方法之一，它包括平移、旋转和缩放三个部分。
通过计算源图像和目标图像之间的平移、旋转和缩放参数，可以将源图像变换到与目标图像对齐的位置。
刚体变换适用于诸如头部CT扫描等结构相对稳定的图像。
2. 非刚体变换非刚体变换可以更好地处理形变较大的结构，如心脏、肺部等。
非刚体变换基于物体的局部形状和灰度信息，通过对图像进行弹性变形，实现源图像和目标图像的配准。
常用的非刚体变换方法包括仿射变换、B样条变换和流形变换等。
二、图像融合的原理和方法图像融合是将多个医学图像的信息融合为一个整体的过程，目的是提取不同图像中的有用信息，提高图像质量和可视化效果。
图像融合可通过均值融合、加权融合和多尺度融合等方法来实现。
1. 均值融合均值融合是一种简单而常用的图像融合方法，它将多个图像的像素值进行平均，得到融合后的图像。
均值融合适用于具有相似结构和灰度分布的图像，可以降低图像中的噪声，提高图像的信噪比。
2. 加权融合加权融合是根据图像的质量和重要性对像素进行加权平均，得到融合后的图像。
加权融合可以根据具体要求调整各个图像在融合中的权重，使得重要的结构和信息更加突出。
3. 多尺度融合多尺度融合是一种将不同分辨率的图像进行融合的方法，可以保留图像中的细节信息。
多尺度融合通常包括低频信息和高频信息的融合，可以通过图像金字塔等技术实现。
医学图像配准和融合
• 解决的问题：几幅图像的严格对齐
6
几幅图像信息综合的结果称作图像的融合（image fusion）。 利用图像融合技术，将多种图像结合起来，利用各自的信
息优势，在一幅图像上同时表达来自人体的多方面信息， 使人体内部的结构、功能等多方面的状况通过影像反映出 来，从而更加直观地提供人体解剖、生理及病理等信息。 图像配准技术是图像融合的先决条件
y' y
矩阵公式：
x' 1 0 px 1* x 0 * y p *1 x p
21
刚体变换
物体内部两点间的距离和角度保持不变 医学图像配准在大多数情况下是采用刚体变换模型。 人体的很多组织可以近似为刚体，如骨头、由颅骨固定 的大脑等 刚体变换：平移、旋转
22
① 二维刚体变换：沿x轴平移：
从（x,y)变到新坐标系（x’,y’)
变换公式：
x' x p
其中x’与y’是平移后的结果
11
单模配准的典型应用：
（1） 不同MR加权像间的配准
T1 加权像 T2 加权像 不同组织表现不同强度 质子密度加权像
信息互补
（2） 电镜图像序列的配准
不同时间采集的多幅图像 （时间序列图像）
研究生长现象
粒子移动，形态变化
12
单模配准的典型应用：
（3） fMRI图像序列的配准
时间序列图像，大脑活动会产生氧摄取量和血流间的不平衡
15
不同对象的图像配准
典型正常图像
是否出现异常
被试图像 对比
疾病的典型图像
是否属于同类
难点：不同对象形状、大小、位置差异
医学图像的配准与融合
医学图像的配准与融合第八章医学图像的配准与融合第一节概述一、医学图像配准与融合的应用背景随着计算机技术的飞速发展，与计算机技术密切相关的医学成像技术也是日新月异。
但是，各种成像技术和检查方法都有它的优势与不足，并非一种成像技术可以适用于人体所有器官的检查和疾病诊断，也不是一种成像技术能取代另一种成像技术，它们之间是相辅相成、相互补充的。
如CT和X线机对骨等密度较高的组织能提供高清晰的图像，MRI对人体软组织的成像具有较高的分辨率，而PET和SPECT则能够提供人体组织或器官的功能性代谢的图像。
成像原理的不同造成了某一种成像模式所能提供的图像信息具有一定的局限性，有时单独使用某一类图像难以获得正确的诊断结论。
因此，为了提高诊断正确率，需要综合利用患者的各种图像信息。
图像配准与融合技术为医学图像的综合利用提供了很好的技术手段。
根据医学图像所提供的信息，可将医学图像分为两大类：解剖结构图像（CT、MRI、X线图像等）和功能图像（SPECT，PET等）。
这两类图像各有其优缺点：解剖图像以较高的分辨率提供了脏器的解剖形态信息，但无法反映脏器的功能情况。
功能图像分辨率较差，但它提供的脏器功能代谢信息是解剖图像所不能替代的，这些信息是对疾病特别是肿瘤进行早期诊断的重要依据。
目前医学影像学的一个明显的发展趋势是利用信息融合技术，将多种医学图像结合起来，充分利用不同医学图像的特点，在一幅图像上同时表达来自人体的多方面信息，使人体内部的结构、功能等多方面的状况通过影像反映出来，从而更加直观地提供人体解剖、生理及病理等信息。
二、医学图像配准与融合的关系医学图像配准和融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。
待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。
- 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)。
背景技术 [0002] 医学影像学Medical Imaging，是研究借助于某种介质(如X射线、电磁场、超声波 等) 与人体 相互 作 用，把人体内部组织器官结构、密度以 影像方式表现出来 ，供诊断医师根 据影像提供的 信息进行判断 ，从而对人体健康状况进行评价的一门科学 ，包括医学成像系 统 和医学图 像处理两方面 相对独立的 研究方向 。医学成像又称卤 化银成像 ，因为从前的菲 林 (胶卷) 是 用感光材料卤 化银化学感光物成像的 ，医学影像学可以 作为一种医疗辅助手段 用于诊断和治疗，也可以作为一种科研手段用于生命科学的研究中。诊断主要包括透视、放 射线片、CT、MRI、超声、数字减影、血管造影等。治疗主要应用为介入治疗、放疗等方面。另 外 ，除了医疗上面的 用途之外 ，影像学结合其他学术领域 ，譬如认知心理学 (cognitive psychology) 、语言学 (linguistics) 、教育学 (education) 、社会学 (sociology) 等 ，可以 让 研究人 员探索人类在进行认知行为时的 大脑活 动 ，这样的 研究已 经逐渐成形 ，学术界 称之 为认知神经科学(cognitive neuroscience)。医学影像学中的许多技术已经在科学研究的 工业中获得了广泛的应用。医学影像学的发展受益于现代计算机技术的突飞猛进，其与图 像处理 ，计算机视觉 ，模式识别技术的结合产生了一个新的 计算机技术分支--医学图 像处 理。 [0003] 目前医学的影响融合技术较差，导致图像分析结果不够准确，同时检测方法不够 先进，整体会导致诊断误差较大，针对以上所述，那么如何发明出医学影像的融合方法及基 于融合医学影像学习的图像检测方法，这成为我们需要解决的问题。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910077701 .8
(22)申请日 2019 .01 .28
(71)申请人 李杰 地址 266399 山东省青岛市胶州市徐州路 29号
(72)发明人 李杰 李元伟
(74)专利代理机构 北京科亿知识产权代理事务 所(普通合伙) 11350
2
CN 109801251 A
f/2 页
3
CN 109801251 A
说 明 书
1/4 页
医学影像的融合方法及基于融合医学影像学习的图像检测 方法
技术领域 [0001] 本发明涉及医疗技术领域，具体为医学影像的融合方法及基于融合医学影像学习 的图像检测方法。
权利要求书2页 说明书4页
CN 109801251 A
CN 109801251 A
权 利 要 求 书
1/2 页
1 .医学影像的融合方法及基于融合医学影像学习的图像检测方法，其特征在于：包括 以下方法步骤，
a ，首先将需要进行融合与检测的图 像进行整理 ，然后对采集的影响进行聚焦数字化处 理；
b，对采集的图像进行高清数字化加工处理，通过数字计算的方法进行预处理； c，对处理后的图像进行图像块的充分融合排序； d，对融合处理排序后的图像进行校正，充分清除融合中产生的误差； e，最后根据融合规则，对处理后的模态影像进行融合。 2 .根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方 法，其特征在于，步骤a中，计算各多聚焦图像中图像块Ps ,t ,的适应度f(Ps ,t ,)，其中Ps ,t , 表示所有多聚焦图像中第t张多聚焦图像的第s个图像块，1≤s≤NS，s、NS均为整数，NS表示 多聚 焦图 像根据增强差分演化过程中 相应的 分块大小分 割成的图 像块 总数 ，1≤t≤P ，i 、P 均为整数，P表示多聚焦图像的张数。 3 .根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方 法 ，其特征在于 ，步骤b中 ，对图像进行录入图像编辑其中进行二进制编码 ，过称谓对每一个 实例x，通过s＝(B’B+2I)-1B’x得到x的低维实数值，然后通过哈希函数得到它的低维二进 制代码 ，其中B是定义的基空间 ，I是跟B同维度的单位矩阵 ，对于任意的两个个体i和j之间 ， 如果存在通信记录，那么以数据帧数、数据次数、数据频率数据为参数计算i和j之间的联系 权重系数，计算公式如下：Wij＝eφ(t)+θ(n)+γ(f) ，其中Wij表示权重值，φ(t) ，θ(n) ，γ (f)分别是传输时长t，数据次数n，数据频率f的函数，函数的具体形式根据具体的应用场景 以及用户的经验确定，可以选择指数衰减函数、线性函数等，只需要在指数项上增加新的映 射函数即可，对整个数据进行编码，完成数据的深度处理得出第一编码数据帧。 4 .根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方 法 ，其特征在于 ，步骤c中 ，所述融合排序的步骤包括 ，先对第二以 太网数据帧分组 ，得到X组 K字节的 第一数据组 ；交替处理所述第一数据组 ，得到X组对应的 N-K字节的 第一校验位 ，其 中 ，X、K和N均为正整数 ，且N＞K ；以 及将所述第一数据组尾后依次 加入所述第一校验位以 及 帧结束符，得到并输出第一编码数据帧，然后顺次重复操作。 5 .根据权利要求1所述的医学影像的融合方法及基于融合医学影像学习的图像检测方 法 ，其特征在于 ，步骤d中 ，所述校正方法是将医学采集的 输出图 像数据看作是医学采集输 入的非线性函数 ,即g(x)＝N(f(x))，X---像素的图像帧存位置值，因此 ,g(x)可以在固定输 入值f0(x)处 ,根据台劳级数展开得： g(x)＝N(f0(x))+(f(x)-f0(x) 即，g(x)＝a0(x)+a1(x)f(x)+a2(x)f2(x)+…；其中 ,a0(x) ,a2(x) ,…为常系数，对于高 质量的线阵传感器 ,二阶以上的高阶项可忽略不计，医学采集输入近似为：f＝g(x)-a0(x) a1(x) ,只要确定了常系数a0(x) ,a1(x) ,就可以对采集设备进行校正。 6 .根据权利要求5所述的医学影像的融合方法及基于融合医学影像学习的图像检测方 法，其特征在于，所述校正方法，即求出校正因子和暗偏置，两点校正法如下进行，在不曝光 的情况下 ,采集影像的每个像素输出 ,即测出像素的暗偏置的值，y(DN)＝x{n(DN)-a}式中: y(DN)—校正输出值 ,即g(x)；x—校正因子 ,即上面的a1(x)；n(DN)—原始数据值 ,即上面的
代理人 汤东凤
(51)Int .Cl . G06T 5/50(2006 .01)
(10)申请公布号 CN 109801251 A (43)申请公布日 2019.05.24
( 54 )发明 名称 医学影像的融合方法及基于融合医学影像
学习的图像检测方法 ( 57 )摘要
本发明公开了医学影像的融合方法及基于 融合医学影像学习的图像检测方法，包括以下方 法步骤 ，a ，首先将需要进行融合与检测的图像进 行整理 ，然后对采集的影响进行聚焦数字化处 理 ；b ，对采集的图 像进行高清数字化加工处理 ， 通过数字计算的方法进行预处理 ；c ，对处理后的 图像进行图像块的充分融合排序 ；d ，对融合处理 排序后的图像进行校正，充分清除融合中产生的 误差 ；e ，最后根据融合规则 ，对处理 后的 模态影 像进行融合。本发明将不同模态的医学影像融合 在一起，互相完善，优势互补，同时通过多种提高 准确度的算法进行减少融合过程中产生的误差， 并且从不同角度提供病变组织更丰富的信息，整 体方法简单值得推广。