用于边缘保留的多尺度协方差滤波医学图像融合

来自多视图的更清晰脑部扫描

医生常常需要查看多种脑部扫描来了解颅内情况，但每种扫描只展示了部分信息。该研究提出了一种将不同医学影像合成为一张更清晰图像的新方法，能够保留重要结构边缘的精细细节，帮助临床医师更精确地观察软组织与骨骼。

为何混合扫描对患者有利

现代医院常用 CT 和 MRI 等设备获取脑部图像，各自突出解剖与病变的不同方面。CT 擅长显示骨等致密结构，而 MRI 更适合软组织、液体和病灶。将这些影像并排查看既耗时又可能遗漏微小异常。如果能将多种扫描的信息融合为一张平衡良好的图像，医生可以更自信地发现异常，并更准确地制定治疗方案，例如手术或放疗。

早期融合方法的问题

早期的医学图像融合技术通常依赖数学滤波或深度学习系统，这些方法要么将细微结构平滑掉，要么在组织边界处引入视觉伪影。有些方法会模糊灰白质之间的对比，另一些则在颅骨或脑室边缘产生光晕。许多方法还需要大量计算或复杂训练，限制了其在忙碌的临床环境中的应用。放射科医师需要的是既能保留自然边缘、保持真实亮度与对比度，又能从常规扫描快速生成的融合图像。

一种更清晰的融合配方

作者提出的融合框架基于将每幅图像分成两层的思路：包含整体亮度模式的基础层与包含边缘和纹理的细节层。首先，对每个输入扫描进行温和平滑以捕捉整体明暗，然后通过将平滑结果从原图中相减来分离细节。随后，显著性处理通过应用特殊的边缘增强和软模糊滤波器寻找局部突出的像素，例如组织之间的清晰边界。这会产生初步的“权重图”，指示在每个位置哪种扫描携带最有用的信息，但这些权重图若直接使用可能会噪声多或块状明显。

让局部统计量改进混合

为清理这些权重图并保持边缘清晰，该方法采用作者所称的协方差滤波。此步骤不借助额外图像作为引导，而是在小邻域内检查每幅扫描图像亮度与其权重图如何共同变化。当局部关系强时，权重将根据底层解剖结构进行调整，在平坦区域平滑权重同时保留尖锐边界。分别为基础层和细节层生成精化后的权重，并将其归一化以确保各扫描以平衡方式贡献。最后，使用这些精化权重将所有图像的基础层与细节层重组为一幅融合图，既反映全局明暗又保留细节结构。

方法的性能如何

研究者在三组配对的脑部扫描上测试了该方法，包含不同组合的 CT、T1 加权 MRI、T2 加权 MRI 和增强对比 MRI。他们使用亮度、对比度、清晰度、信息含量和边缘保留等标准度量，与多种现有融合方法进行了比较。从视觉上看，融合结果展示了清晰的脑室、清晰的颅骨轮廓以及改进的灰白质分离，且没有光晕或过度平滑。在量化指标上，该方法在关键指标上与或优于其他方法，尤其是在与边缘质量和细节保留相关的指标上表现突出，同时保持相对较低的计算成本。

这对未来医学成像意味着什么

简言之，这项研究表明，基于局部统计量而非重量级学习模型的精细引导混合，能够生成更自然且包含更多临床有用细节的单幅脑图像。通过保留清晰的解剖边界并平衡 CT 与 MRI 的优势，这一融合方法有望支持神经科与肿瘤学中更自信的诊断与治疗计划。作者指出，同样的思路可以扩展到三维图像堆栈并结合更智能的区域选择，从而有可能使多扫描融合成为精准医学中的常规工具。

引用: Sharma, S., Rani, S., Dogra, A. et al. Multi-scale covariance filtering for edge-preserving medical image fusion. Sci Rep 16, 16177 (2026). https://doi.org/10.1038/s41598-026-47798-8

关键词: 医学图像融合, 脑成像, MRI CT 融合, 边缘保留, 诊断成像