INTRODUCCIÓN

La fusión de imágenes médicas multimodales es una técnica de investigación que

crece con frecuencia en las imágenes
clínicas. Es el método de fusionar información de varias modalidades médicas
diferentes en una sola imagen que se
vuelve más útil en el diagnóstico médico. La fusión de imágenes médicas basada en
niveles de decisión, basada en
características y basada en intensidad de píxeles son las tres clases que se
clasificaron ampliamente en las técnicas
de fusión de imágenes médicas. La tomografía computarizada (TC), la resonancia
magnética (MRI), la tomografía por
emisión de positrones (PET) y la tomografía computarizada por emisión de fotón
único (SPECT) son las diferentes
modalidades de imagen médica utilizadas para el proceso de fusión. Cada una de las
modalidades tiene sus propias
características en el diagnóstico clínico.
Básicamente, la tecnología de fusión de imágenes está creciendo muy rápidamente en
estos días, ha habido una gran
cantidad de enfoques en el campo de la fusión de imágenes médicas. Por lo general,
los pasos involucrados en los
métodos de fusión de imágenes son la descomposición y reconstrucción de imágenes,
las reglas de fusión de imágenes
y las evaluaciones de la calidad de la imagen.

Al principio, las imágenes de entrada se descomponen en una serie de sub imágenes,

como componentes de baja y alta
frecuencia, mediante el uso de algoritmos para la descomposición de imágenes.
En segundo lugar, las reglas en la fusión de imágenes se utilizan para fusionar más
de una característica extraída
de los componentes de baja y alta frecuencia en sub imágenes con diferentes
resoluciones.
En tercer lugar, la imagen fusionada se regenera a partir de las sub imágenes
fusionadas utilizando varios
algoritmos de reconstrucción de imágenes.
Por último, la evaluación de la calidad de la imagen se utiliza para encontrar la
calidad de las imágenes fusionadas
resultantes.

TÉCNICAS DE FUSIÓN DE IMÁGENES MÉDICAS

Las técnicas comúnmente utilizadas para la fusión de imágenes pueden clasificarse

en varios niveles.
Las técnicas utilizadas para la fusión de imágenes médicas se pueden clasificar en
tres, a saber, fusión de imágenes
basada en características, fusión de imágenes de nivel de decisión y fusión de
imágenes basada en la intensidad de
píxeles.

- Fusión de imágenes médicas basadas en características: Los algoritmos de

fusión de imágenes basadas en
características generalmente combinan la región de interés en múltiples
modalidades de entrada. Aquí,
varias características son extractos de las imágenes como bordes, esquinas,
parámetros de textura, líneas,
etc., de las modalidades de entrada y las combinan en una imagen
característica para su posterior
procesamiento.
 - Fusión de imágenes médicas a nivel de decisión: Las técnicas de fusión
basadas en decisiones dependen
principalmente del conjunto de datos de entrenamiento y de la fusión
realizada. La fusión de aprendizaje
de diccionario [18] se utiliza comúnmente en la técnica de nivel de decisión.
Los resultados que se
obtuvieron de diferentes algoritmos se denotan como confidencias en lugar de
decisiones, luego se llama
fusión suave y de lo contrario se denomina fusión dura.

- Fusión de imágenes basada en la intensidad de píxeles: Las técnicas de

fusión de imágenes médicas basadas
en píxeles se dividen en las siguientes sub etapas, como preprocesamiento,
descomposición, reglas de fusión
y evaluación del rendimiento de la fusión [15]. La fusión de imágenes a nivel
de píxeles se utiliza
preferiblemente en la fusión de imágenes médicas debido a las ventajas clave
sobre las técnicas basadas en
características y basadas en decisiones. La claridad visual es muy
informativa en la fusión de imágenes
basada en la intensidad de píxeles.

DIFERENTES MODALIDADES UTILIZADAS EN FUSIÓN DE IMÁGENES

- Imágenes por resonancia magnética

Las imágenes por resonancia magnética (MRI) es una técnica de escaneo de imágenes
médicas. La resonancia magnética
se utiliza para observar la anatomía y fisiología del cuerpo del paciente. La
resonancia magnética también juega un
papel importante en el diagnóstico de tumores cerebrales y es una de las
modalidades de imagen más útiles y
ampliamente utilizadas en los estudios médicos. El problema de la radiación no se
ve afectado por la resonancia
magnética, que es el principal beneficio de la misma. La resonancia magnética
brinda detalles e información sobre
el cerebro, la médula espinal, los accidentes cerebrovasculares y otras anomalías
en los órganos y tejidos blandos
del cuerpo.

- Tomografía computarizada
Tomografía computarizada (CT) que se conocía como tomografía axial computarizada o
CAT en los primeros días. La
CT es una técnica de imagenología médica que proporciona una gran información sobre
la densidad del tejido y las
características anatómicas, lo que también permite la detección de tumores. La
imagen de CT también ayuda para
diferentes aplicaciones médicas. Principalmente, la tomografía computarizada se
utiliza para lesiones, huesos rotos,
etc.

- Tomografía por emisión de positrones

La tomografía por emisión de positrones (PET) es una prueba de imágenes médicas. En
la medicina PET, la técnica de
imagen funcional basada en el proceso nuclear se utiliza para observar los procesos
del metabolismo que ocurren en
el cuerpo humano, lo que ayuda al diagnóstico de enfermedades. La PET también sirve
para el diagnóstico y el
tratamiento relacionados con el cerebro.

Junto con estas modalidades, hay varias otras modalidades que también se utilizan
para la fusión de imágenes
médicas, tales como microscopía, infrarrojos, tomografía computarizada por emisión
de fotón único e imágenes de
microondas.

DIFERENTES REVISIONES PARA LOS MÉTODOS DE FUSIÓN DE IMÁGENES MÉDICAS

Existen muchos métodos diferentes utilizados en el campo médico para la fusión de

diferentes modalidades en las
imágenes médicas. Algunos de los métodos más importantes utilizados se describen
aquí.

A. Clasificación de representación dispersa en el dominio tetrolet

Hamid Reza y Adel [1] propusieron una fusión de imágenes médicas multimodal
utilizando una clasificación de
representación dispersa en el dominio tetrolet [2]. El objetivo principal del
método es considerar la fusión de
imágenes como una tarea de reconocimiento de patrones [13] para construir el paso
de selección de coeficientes.
La transformada Tetrolet se utiliza para descomponer la imagen de origen, una nueva
transformada de ondas de Haar
adaptativa se conoce como transformada tetrolet. Luego, las características
importantes de los parches se extraen
realizando diferentes medidas de actividad en él. Las características que se
obtuvieron se dan luego al clasificador
de dispersión Sparse Unmixing by variable Splitting and Augmented
Lagrangian (SUnSAL) [3]. A continuación, el clasificador elige los píxeles que se
querían para la fusión [14].
Más importante aún, este método no sufre de reducción de contraste, distorsión de
color y pérdida de datos
importantes.

B. Transformada de saturación de tono de intensidad y análisis de componentes

principales
Changtao y Wang [4] propusieron una fusión de imágenes médicas multimodal basada en
la transformación Intensity
Hue Saturation (IHS) y el Análisis de Componentes Principales (PCA) que se utiliza
para construir una imagen
fusionada que contiene tanto información funcional como más características
espaciales sin color ni características
espaciales. distorsión. El estudio muestra que la transformación de saturación de
tono de intensidad y el análisis
de componentes principales contienen información funcional que era más necesaria y
más característica espacial.
Pero este enfoque tiene su dominio limitado para una aplicación particular y
también causa una distorsión de color
significativa.

C. Coeficientes de la transformada de shearlet

El método convencional de fusión promedio-máximo no es el mejor para la fusión de
imágenes médicas, por lo que
Wang et.al, [5] introducen un nuevo método en el que los coeficientes fusionados
para la fusión se obtienen
utilizando la desviación estándar y la función de densidad de probabilidad de la
Shift - Coeficientes de
transformada de shearlet invariante (SIST). Finalmente aplicando SIST inverso se
puede adquirir una imagen
fusionada. El SIST también puede capturar tanto la información funcional como los
contenidos de información
espacial. Pero SIST no incluye el desempeño de varias herramientas de Análisis
Geométrico Multiescala (MGA) bajo
diferentes parámetros de filtros para la fusión de imágenes.

D. Multilevel Local Extrema

Zhiping xu [6] propuso una nueva fusión de imágenes médicas multimodal basada en
Multilevel Local Extrema (MLE)
que descompone las imágenes de entrada en componentes de baja y alta frecuencia y
utiliza la medida del nivel de
actividad como energía local y reglas de fusión de contraste para la selección de
coeficientes en sus diferentes
componentes. . Este algoritmo produce más detalles en las imágenes de origen y
también mejora la calidad de la
imagen fusionada. Pero el caso de falla de este algoritmo es que asume que las
imágenes de entrada estaban libres
de ruido, pero la presencia de ruido en la imagen de entrada afectará las capas de
alta frecuencia. Por tanto, el
método desea ampliar para detectar y reducir los efectos del ruido en las capas de
alta frecuencia.

E. Dominio Transformado Contourlet no sub muestreado

Ganasala y Kumar [7] propusieron un esquema de fusión de imágenes en el dominio de
Transformada de Contourlet
No Subsampled (NSCT). Aquí se utiliza NSCT para la descomposición de imágenes. NSCT
se define como transformada
de descomposición multiresolución, invariante de desplazamiento y mulltiresolution
en imágenes. El coeficiente de
subbanda de baja frecuencia se obtiene utilizando el cuadrado de la entropía máxima
de los coeficientes con la
ventana local y la suma máxima ponderada de laplacianos modificados utilizados para
obtener el coeficiente de
subbanda de alta frecuencia. La evaluación cuantitativa muestra que el algoritmo es
superior a varios métodos
existentes y también produce un buen contraste. También se puede extender a la
fusión de imágenes médicas
anatómicas y funcionales y también se puede realizar el preprocesamiento de las
imágenes de entrada.

F. Gradient orientation bracketed pairs

Malarvizhi y Raviraj propusieron una fusión de imágenes médicas multimodal basada
en pares entre corchetes en
orientación de gradiente que es un marco de fusión innovador. La separación de
imágenes se utiliza para la
transformación de las imágenes de origen, luego el dispositivo de rango dinámico
estándar (SDR) encuentra detalles
de la imagen como contrastes y dirección del filtro de gradiente. Las imágenes
basadas en la luminancia y el nivel
de degradado se fusionan mediante algoritmos de fusión. El inconveniente de la
fusión de imágenes médicas, basada
en el método de exposición en gradiente, es que combina una imagen en una secuencia
de exposición múltiple y se
guía por medidas de calidad simples como el contraste y la saturación.

G. Wavelet transform and Human Visual System

Tian y Xiao propusieron una fusión multimodal del método de imágenes médicas basado
en la transformada de ondas y
el Sistema Visual Humano (HVS) [9]. El método obtiene la ventaja de la transformada
wavelet y HVS para obtener un
mejor resultado de fusión. Las imágenes de entrada se descomponen primero mediante
la transformada de ondículas y
utilizan HVS para seleccionar coeficientes. La calidad visual de todas las imágenes
fusionadas obtenidas del método
muestra una muy buena mejora con respecto a los métodos anteriores. La limitación
de este método es que su
resolución espacial no es fija.

H. Normalized Shannon Entropy

Bhatnagar, Jonathan y Zheng propusieron un marco emergente para la fusión de
imágenes médicas multimodales que se
registra espacialmente. El método descompone la imagen de origen en bandas de
frecuencia baja y alta mediante el
uso de Transformada de Contourlet sin submuestreo (NSCT). Una medida de actividad
que se basa en la entropía de
Shannon normalizada se utiliza para la fusión de componentes de baja frecuencia y
el contraste directivo se utiliza
para la fusión de componentes en alta frecuencia, que recoge todas las texturas
informativas de las imágenes de
entrada. Al combinar estas reglas en fusión, se conservará más información
funcional y característica espacial y
se convertirá en la imagen fusionada. Pero el método basado en NSCT, carece de la
competencia competitiva en el
consumo de tiempo debido a la descomposición en multinivel y proceso de
reconstrucción.

I. Discrete Wavelet Transform

Basil [11] propuso una fusión de imágenes médicas multimodal basada en la
Transformada de Onda Discreta (DWT). En
este método, en primer lugar se realizó el preprocesamiento de las imágenes fuente.
Este paso de preprocesamiento aumenta la calidad de las imágenes de entrada. Para
el paso de preprocesamiento, el
método utiliza los filtros gaussianos de las técnicas de filtrado espacial. La
imagen preprocesada se pasó luego a
la fusión de diferentes regiones usando la Transformada de Onda Discreta. La imagen
fusionada final se logra sin
pérdida de datos espectrales y anatómicos y también el DWT mejora
significativamente la calidad de las imágenes
fusionadas. Finalmente, el método dice que el experimento puede extenderse hacia
las ondas Haar y db1 para la base
de datos médica multimodal tridimensional.

J. Multi-scale Decomposition and Anisotropic Heat Diffusion

Wang y col. [12] proponen un poderoso algoritmo de fusión de imágenes médicas
multimodal basado en la difusión de
calor anisotrópico y la descomposición de múltiples escalas. En este método, en el
primer calor, el núcleo de
anisotrópicos se obtiene utilizando una pirámide de imágenes y se insertan
características de imagen multinivel en
múltiples de dos dimensiones. Luego, las características destacadas se extraen
mediante el análisis de rango bajo
sobre los grupos de imágenes de capas.
Por último, se utiliza una función de ponderación S-shape para fusionar las capas a
gran escala y se utiliza el
principio de selección máxima para manipular las capas de pequeña escala. Sin
embargo, este método tiene algunas
limitaciones, que no logra manejar de manera efectiva la imagen que contiene ruido
masivo, aunque tiene un
rendimiento de alta calidad, pero consume mucho tiempo y también este método no
puede usarse directamente para
imágenes de MR dispersas.

ESTUDIO COMPARATIVO DE DIVERSAS TÉCNICAS DE FUSIÓN DE IMAGEN

Los diversos métodos utilizados para la técnica de fusión de imágenes médicas se

describen anteriormente y, a
partir de la revisión de la literatura, está claro que existen diferentes técnicas
utilizadas para la fusión de
imágenes médicas. La tecnología reciente utilizada para la fusión de imágenes
médicas está utilizando el dominio
tetrolet. La transformada Tetrolet se utiliza para la descomposición de la imagen
de entrada que también utiliza
la transformada haar wavelet [16]. La mayor parte del demérito que se puede
concluir de la referencia es el ruido
de las imágenes y algunos de los métodos requieren mucho tiempo. La tabla I a
continuación muestra el estudio
comparativo de diferentes técnicas de fusión de imágenes sobre la base del estudio
anterior, que ha encontrado
varios problemas en diferentes técnicas. La revisión arroja la conclusión de qué
método es mejor entre todas las
técnicas de fusión de imágenes existentes.

CONCLUSIÓN

Este trabajo de encuesta presentó una breve revisión del tema de la fusión de
imágenes médicas y el concepto
básico incluido en él. En primer lugar, el artículo describe las diferentes
tecnologías utilizadas en la fusión
de imágenes médicas. Luego, explique las diferentes modalidades de imágenes
médicas. El documento también cubre
en detalle los diferentes métodos utilizados para la fusión de imágenes médicas.
También se incluyeron las
ventajas y desventajas de cada uno de los métodos. El documento también muestra que
la fusión de imágenes médicas
utilizando la transformada tetrolet es el mejor método de fusión que se utiliza
actualmente.