CT and PET medical image fusion based on LL-GG-LG Net

ZHOU Tao; ZHANG Xiangxiang; LU Huiling; LI Qi; CHENG Qianru

doi:10.37188/OPE.20233120.3050

您当前的位置：

首页 >

文章列表页 >

CT and PET medical image fusion based on LL-GG-LG Net

Information Sciences | 更新时间：2026-03-25

- CT and PET medical image fusion based on LL-GG-LG Net
- Optics and Precision Engineering Vol. 31, Issue 20, Pages: 3050-3064(2023)
- 作者机构：
  
  1.北方民族大学计算机科学与工程学院，宁夏银川 750021
  2.北方民族大学图像图形智能处理国家民委重点实验室，宁夏银川 750021
  3.宁夏医科大学医学信息工程学院，宁夏银川 750004
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20233120.3050
  CLC： TP399
- Received：31 March 2023，
  
  Revised：2023-05-08，
  
  Published：25 October 2023
- 稿件说明：
移动端阅览
周涛,张祥祥,陆惠玲等.基于LL-GG-LG Net的CT和PET医学图像融合[J].光学精密工程,2023,31(20):3050-3064.

ZHOU Tao,ZHANG Xiangxiang,LU Huiling,et al.CT and PET medical image fusion based on LL-GG-LG Net[J].Optics and Precision Engineering,2023,31(20):3050-3064.
周涛,张祥祥,陆惠玲等.基于LL-GG-LG Net的CT和PET医学图像融合[J].光学精密工程,2023,31(20):3050-3064. DOI： 10.37188/OPE.20233120.3050.

ZHOU Tao,ZHANG Xiangxiang,LU Huiling,et al.CT and PET medical image fusion based on LL-GG-LG Net[J].Optics and Precision Engineering,2023,31(20):3050-3064. DOI： 10.37188/OPE.20233120.3050.

摘要

多模态医学图像融合在医学临床应用中起着至关重要的作用，为了解决现有方法大多数侧重于局部特征的提取，对全局依赖关系的探索不足，忽略了全局和局部信息交互，导致难以有效解决周围组织与病灶区域之间的模式复杂性和强度相似性问题。该文提出面向PET和CT医学图像融合的LL-GG-LG Net模型。首先，提出了局部-局部融合模块（Local-Local Fusion Module，LL Module），该模块采用双层注意力机制更好地关注局部细节信息特征；其次，设计了全局-全局融合模块（Global-Global Fusion Module，GG Module），该模块通过在Swin Transformer中加入残差连接机制将局部信息引入全局信息中，提高了Transformer对局部信息的关注程度；然后，提出一种基于可微分神经架构搜索自适应的密集融合网络的局部-全局融合模块（Local-Global Fusion Module，LG Module），充分捕获全局关系并保留局部线索，有效解决背景和病灶区域相似度高问题；使用临床多模态肺部医学图像数据集验证模型的有效性，实验结果表明，该文方法在平均梯度，边缘强度，Q

AB/F

，空间频率，标准差，信息熵等感知图像融合质量评价指标上与其他七种方法中最优的方法相比，分别平均提高了21.5%，11%，4%，13%，9%，3%。模型能够突出病变区域信息，融合图像结构清晰且纹理细节丰富。

Abstract

Multimodal medical image fusion plays a crucial role in clinical medical applications. Most of the existing methods have focused on local feature extraction， whereas global dependencies have been insufficiently explored； furthermore， inte

ractions between global and local information have not been considered. This has led to difficulties in effectively addressing the complexity of patterns and the similarity between the surrounding tissue （background） and the lesion area （foreground） in terms of intensity. To address such issues， this paper proposes an LL-GG-LG Net model for PET and CT medical image fusion. Firstly， a Local-Local fusion （LL） module is proposed， which uses a two-level attention mechanism to better focus on local detailed information features. Next， a Global-Global fusion （GG） module is designed， which introduces local information into the global information by adding a residual connection mechanism to the Swin Transformer， thereby improving the Transformer's attention to local information. Subsequently， a Local-Global fusion （LG） module is proposed based on a differentiable architecture search adaptive dense fusion network， which fully captures global relationships and retains local cues， thereby effectively solving the problem of high similarity between background and focus areas. The model's effectiveness is validated using a clinical multimodal lung medical image dataset. The experimental results show that， compared to seven other methods， the proposed method objectively improves the perceptual image fusion quality evaluation indexes such as the average gradient （AG）， edge intensity （EI）， Q

AB/F

， spatial frequency （SF）， standard deviation （SD） and information entropy （IE） edge retention by 21.5%， 11%， 4%， 13%， 9%， and 3%， respectively， on average. The model can highlight the information of the lesion areas. Moreover， the fused image structure is clear， and detailed texture information can be obtained.

关键词

Keywords

references

周涛，霍兵强，陆惠玲，等 . 融合多尺度图像的密集神经网络肺部肿瘤识别算法［J］. 光学精密工程， 2021 ， 29 （ 7 ）： 1695 - 1708 . doi: 10.37188/OPE.20212907.1695 http://dx.doi.org/10.37188/OPE.20212907.1695

ZHOU T ， HUO B Q ， LU H L ， et al . Lung tumor image recognition algorithm with densenet fusion multi-scale images ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 7 ）： 1695 - 1708 . （in Chinese） . doi: 10.37188/OPE.20212907.1695 http://dx.doi.org/10.37188/OPE.20212907.1695

AZAM MA ， KHAN KB ， SALAHUDDIN S ， et al . A review on multimodal medical image fusion： compendious analysis of medical modalities， multimodal databases， fusion techniques and quality metrics ［J］. Computers in Biology and Medicine ， 2022 ， 144 ： 105253 . doi: 10.1016/j.compbiomed.2022.105253 http://dx.doi.org/10.1016/j.compbiomed.2022.105253

LI Y ， ZHAO J ， LV Z ， et al . Medical image fusion method by deep learning ［J］. International Journal of Cognitive Computing in Engineering ， 2021 ， 2 ： 21 - 29 . doi: 10.1016/j.ijcce.2020.12.004 http://dx.doi.org/10.1016/j.ijcce.2020.12.004

POLINATI S ， DHULI R . Multimodal medical image fusion using empirical wavelet decomposition and local energy maxima ［J］. Optik ， 2020 ， 205 ： 163947 . doi: 10.1016/j.ijleo.2019.163947 http://dx.doi.org/10.1016/j.ijleo.2019.163947

HILL P ， AL-MUALLA M E ， BULL D . Perceptual image fusion using wavelets ［J］. IEEE Transactions on Image Processing ， 2016 ， 26 （ 3 ）： 1076 - 1088 . doi: 10.1109/tip.2016.2633863 http://dx.doi.org/10.1109/tip.2016.2633863

LI S T ， YIN H T ， FANG L Y . Group-sparse representation with dictionary learning for medical image denoising and fusion ［J］. IEEE Transactions on Biomedical Engineering ， 2012 ， 59 （ 12 ）： 3450 - 3459 . doi: 10.1109/tbme.2012.2217493 http://dx.doi.org/10.1109/tbme.2012.2217493

LIU Y ， LIU S ， WANG Z . A general framework for image fusion based on multi-scale transform and sparse representation ［J］. Information Fusion ， 2015 ， 24 ： 147 - 164 . doi: 10.1016/j.inffus.2014.09.004 http://dx.doi.org/10.1016/j.inffus.2014.09.004

SUN J ， ZHU H ， XU Z ， et al . Poisson image fusion based on Markov random field fusion model ［J］. Information Fusion ， 2013 ， 14 （ 3 ）： 241 - 254 . doi: 10.1016/j.inffus.2012.07.003 http://dx.doi.org/10.1016/j.inffus.2012.07.003

LI H ， WU X . Infrared and Visible Image Fusion Using Latent Low-Rank Representation ［EB/OL］. 2018 ： arXiv ： 1804 . 08992 . https：//arxiv.org/abs/1804.08992.pdf https://arxiv.org/abs/1804.08992.pdf

LI X X ， GUO X P ， HAN P F ， et al . Laplacian redecomposition for multimodal medical image fusion ［J］. IEEE Transactions on Instrumentation and Measurement ， 2020 ， 69 （ 9 ）： 6880 - 6890 . doi: 10.1109/tim.2020.2975405 http://dx.doi.org/10.1109/tim.2020.2975405

LIU Y ， CHEN X ， CHENG J ， et al . A medical image fusion method based on convolutional neural networks ［C］. 2017 20th International Conference on Information Fusion （Fusion） . 10 - 13 ， 2017， Xi'an， China. IEEE ， 2017： 1 - 7 . doi: 10.23919/icif.2017.8009769 http://dx.doi.org/10.23919/icif.2017.8009769

TANG W ， LIU Y ， CHENG J ， et al . Green fluorescent protein and phase contrast image fusion via detail preserving cross network ［J］. IEEE Transactions on Computational Imaging ， 2021 ， 7 ： 584 - 597 . doi: 10.1109/tci.2021.3083965 http://dx.doi.org/10.1109/tci.2021.3083965

LI H ， WU X J . DenseFuse： a fusion approach to infrared and visible images ［J］. IEEE Transactions on Image Processing ， 2019 ， 28 （ 5 ）： 2614 - 2623 . doi: 10.1109/tip.2018.2887342 http://dx.doi.org/10.1109/tip.2018.2887342

SONG X ， WU X ， LI H ， et al . Res2NetFuse： a Fusion Method for Infrared and Visible Images ［EB/OL］. 2021 ： arXiv ： 2112 . 14540 . https：//arxiv.org/abs/2112.14540.pdf https://arxiv.org/abs/2112.14540.pdf

JUNG H ， KIM Y ， JANG H ， et al . Unsupervised deep image fusion with structure tensor representations ［J］. IEEE Transactions on Image Processing ， 2020 ， 29 ： 3845 - 3858 . doi: 10.1109/tip.2020.2966075 http://dx.doi.org/10.1109/tip.2020.2966075

XU H ， MA J . EMFusion： an unsupervised enhanced medical image fusion network ［J］. Information Fusion ， 2021 ， 76 ： 177 - 186 . doi: 10.1016/j.inffus.2021.06.001 http://dx.doi.org/10.1016/j.inffus.2021.06.001

ZHOU T ， LI Q ， LU H ， et al . GAN review： models and medical image fusion applications ［J］. Information Fusion ， 2023 ， 91 ： 134 - 148 . doi: 10.1016/j.inffus.2022.10.017 http://dx.doi.org/10.1016/j.inffus.2022.10.017

GUO X P ， NIE R C ， CAO J D ， et al . FuseGAN： learning to fuse multi-focus image via conditional generative adversarial network ［J］. IEEE Transactions on Multimedia ， 2019 ， 21 （ 8 ）： 1982 - 1996 . doi: 10.1109/tmm.2019.2895292 http://dx.doi.org/10.1109/tmm.2019.2895292

MA J Y ， XU H ， JIANG J J ， et al . DDcGAN： a dual-discriminator conditional generative adversarial network for multi-resolution image fusion ［J］ . IEEE Transactions on Image Processing ， 2020 ， 29 ： 4980 - 4995 . doi: 10.1109/tip.2020.2977573 http://dx.doi.org/10.1109/tip.2020.2977573

ZHANG H ， YUAN J T ， TIAN X ， et al . GAN-FM： infrared and visible image fusion using GAN with full-scale skip connection and dual Markovian discriminators ［J］. IEEE Transactions on Computational Imaging ， 2021 ， 7 ： 1134 - 1147 . doi: 10.1109/tci.2021.3119954 http://dx.doi.org/10.1109/tci.2021.3119954

FANG P F ， ZHOU J M ， ROY S K ， et al . Attention in attention networks for person retrieval ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2022 ， 44 （ 9 ）： 4626 - 4641 .

ZHANG Z ， LIN Z ， XU J ， et al . Bilateral attention network for RGB-D salient object detection ［J］. IEEE Transactions on Image Processing ， 2021 ， 30 ： 1949 - 1961 . doi: 10.1109/tip.2021.3049959 http://dx.doi.org/10.1109/tip.2021.3049959

VASWANI A ， SHAZEER N ， NIKI P ， et al . Attention is all you need ［J］. Advances in neural information processing systems ， 2017 ， 30 . doi: 10.3390/rs9080848 http://dx.doi.org/10.3390/rs9080848

ZHOU T ， YE X Y ， LU H L ， et al . Dense convolutional network and its application in medical image analysis ［J］. BioMed Research International ， 2022 ， 2022 ： 1 - 22 . doi: 10.1155/2022/2384830 http://dx.doi.org/10.1155/2022/2384830

SUGANUMA M ， OZAY M ， OKATANI T . Exploiting The Potential of Standard Convolutional Autoencoders for Image Restoration by Evolutionary Search ［EB/OL］. 2018 ： arXiv ： 1803 . 00370 . https：//arxiv.org/abs/1803.00370.pdf https://arxiv.org/abs/1803.00370.pdf . doi: 10.48550/arXiv.1803.00370 http://dx.doi.org/10.48550/arXiv.1803.00370

LIU H ， SIMONYAN K ， YANG Y . DARTS： Differentiable Architecture Search ［EB/OL］. 2018 ： arXiv ： 1806 . 09055 . https：//arxiv.org/abs/1806.09055.pdf https://arxiv.org/abs/1806.09055.pdf . doi: 10.1109/ACCESS.2025.3637375 http://dx.doi.org/10.1109/ACCESS.2025.3637375

Views

751

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Underwater image enhancement network based on improved U-Net with global feature fusion

Real-time image semantic segmentation based on three-branch network

Reducer workpiece classification based on SDFSN-HiFuse network

Underwater image enhancement based on multi-branch residual attention network

Photovoltaic hot spot detection method incorporating knowledge distillation and attention mechanisms

Related Author

GAO Shaoshu

JIAO Guangsen

LI Guangfeng

LIU Zongen

REN Fenglei

GAO Ziyang

ZHANG Yan

ZHOU Haibo

Related Institution

Qingdao Institute of Software， College of Computer Science and Technology， Shandong Key Laboratory of Intelligent Oil & Gas Industrial Software， China University of Petroleum （East China）

Petroleum Industry Training Center， China University of Petroleum （East China）

Tianjin Key Laboratory for Advanced Mechatronic System Design and Intelligent Control， Tianjin University of Technology

National Demonstration Center for Experimental Mechanical and Electrical Engineering Education，Tianjin University of Technology

College of Automation， Harbin University of Science and Technology

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰