特征級圖像融合及在醫學圖像中的應用研究

吳翠穎，周 濤，陸惠玲，王媛媛

(寧夏醫科大學 a.公共衛生與管理學院；b.理學院，寧夏 銀川750004)

?

特征級圖像融合及在醫學圖像中的應用研究

吳翠穎a，周 濤b，陸惠玲b，王媛媛a

(寧夏醫科大學 a.公共衛生與管理學院；b.理學院，寧夏 銀川750004)

醫學圖像特征級融合在醫學領域中有重要的地位，首先給出了醫學圖像特征級融合流程圖；然后對醫學圖像特征級融合技術進行探討；其次，將特征變換方法歸納為基于核函數、非線性流行學習、不確定性和仿生學等四類，并分別進行了總結；再次，將特征選擇方法歸納為基于啟發式搜索、完全式搜索和隨機搜索等三類，并對其中典型的粗糙集、遺傳算法進行了討論；最后對醫學圖像特征級融合技術進行總結和展望。

特征選擇；特征提取；特征降維；醫學圖像；圖像融合

醫學圖像特征級融合首先對原始圖像信息進行特征提取，然后對這些特征信息進行綜合分析和融合處理，以便更好地檢測目標，提高特征檢測的精度和圖像的檢測性能，在臨床醫療診斷等領域有很重要的應用價值。特征級融合屬于圖像融合的中間層融合，在醫學圖像融合中占有很重要的地位。圖像特征級融合不但可以去除冗余信息，保留原始圖像的有效信息，而且進行數據壓縮，實現有效的融合，其主要應用于人臉識別、基于醫學影像的計算機輔助診斷、病灶識別等。如周濤[1]提出在臨床設計縝密的手術計劃、實施手術時，融合的CT/MRI/DSA影像精確定位病灶及周圍相關的解剖結構信息起到關鍵性的作用，并且對術后觀察發揮了重要作用；Raghavendra[2]等利用粒子群優化算法建立模型，對人臉的近紅外圖像和可見光圖像進行處理，有效提高了人臉識別的準確率；陸惠玲[3]提出了一種基于PCA特征級融合NN的前列腺腫瘤CAD模型，該模型利用PCA在特征級進行變換，降低了特征矢量的維數，用神經網絡分類識別，為后期臨床疾病診斷提供了很大的空間。但是基于特征級的圖像融合僅僅提出了一些基本理論和算法，而且這些理論和算法仍處于初級階段，未形成一個比較完善的理論框架，同時在圖像融合和應用方面主要還是基于像素級層面。其研究難點主要包括從紛繁復雜的醫學圖像中提取有效的特征、選擇合適的圖像融合算法等等，如今特征級圖像融合在實際臨床應用中扮演著越來越重要的角色，如何在醫學圖像中提取有效特征和選擇合適的圖像融合算法將是圖像融合技術發展的關鍵。

基于以上原因，本文圍繞著特征級圖像融合方法，綜述了在醫學圖像特征級融合框架下特征變換和特征選擇方法的理論發展和前沿成果，從中發現一些不足和難點，并進行探討。

1 醫學圖像特征級融合

特征級融合包括特征變換和特征選擇。特征變換是將原始特征空間映射到低維空間中[3]，減少特征空間維數，去除相關或冗余特征，達到數據壓縮的目的，包括線性方法和非線性方法兩大類。特征選擇是根據計算方法從給定的特征中選出能夠有效識別目標的最小特征子集，包括候選特征子集的生成、子集評價、停止準則、驗證方法4個步驟。如圖1所示，給出了特征級醫學圖像融合流程圖。

圖1 特征級醫學圖像融合流程圖

1.1 特征變換

特征變換是將數據從原始特征空間映射到低維特征空間中，可以有效地降低特征空間維數和消除特征之間可能存在的相關性，減少特征中的無用信息。在計算機輔助診斷領域，人們提出了很多特征變換算法[4]。本文對特征變換算法進行梳理總結(包括一些改進算法)，分為線性與非線性方法，根據基于核函數的方法、非線性流行學習的方法等將非線性方法分為4大部分，由于線性方法只能簡單找出數據間的線性關系，對于生活中許多數據如文本數據、圖形數據、視頻數據、語言數據等以高維向量的形式進行存儲的[5]無方向、雜亂的數據，則無法挖掘出其中的非線性關系，而非線性方法在處理大數據量問題時有其獨特的優勢，具有運算快、易求全局最優解等優點[5]，是重要的處理方法，逐漸成為研究人員研究的熱點。下面著重對非線性方法的應用現狀做詳細的分析總結。本文給出特征變換算法分類圖，如圖2所示。

圖2 特征變換算法分類圖

1.1.1 基于核函數的方法

核函數方法(Kernel Function Method，KFM)作為一類新的特征變換算法，無需先驗知識，核函數的形式和參數的變化會隱式地改變從輸入空間到特征空間的映射，使問題變得線性可分。對如今日益復雜的研究對象和高維數據的統計分析處理顯得至關重要，可有效解決維數災難問題，降低運算復雜度、簡化數據結構。核函數方法包括核主成分分析、支持向量機、核獨立成分分析、核Fisher鑒別分析等，核函數方法還可以和不同算法結合形成不同的基于核函數的技術。

1)核主成分分析

核主成分分析(Kernel Principal Component Analysis，KPCA)是使用非線性方法進行主成分提取，通過把原始向量映射到高維特征空間，使得原始數據線性可分，在高維特征空間上進行主成分分析。核主成分分析在處理原始數據時可以提高數據信噪比和抗干擾能力，從而實現數據維數約簡和降噪。核主成分分析主要應用于圖像去噪、人臉識別、入侵檢測、故障診斷、醫學統計等領域。在核主成分分析的基礎上進一步擴展成局部核主成分分析、概率核主成分分析、混合核函數核主成分分析、自適應核主成分分析等。如Sebastián Maldonado[6]等提出一種無監督特征選擇，在數據群檢測的應用上有很好的性能；Toke Jansen Hansen[7]等提出半監督核主成分分析適于改善去噪；Xiaogang Deng[8]等提出局部核主成分分析(IKPCA)在故障診斷方面有很好的潛力；Mingtao Ding[9]等提出自適應核主成分分析(AKPCA)較傳統方法提高了計算速度和逼近精度；Yongqin Zhang[10]等提出自適應核主成分分析聯合自相似性對醫學圖像去噪的有效性；穆新亮[11]提出一種基于混合核函數的快速核主成分分析用于人臉識別，比傳統的核主成分分析方法識別率更高和運行時間更短；張九龍[12]等提出概率核主成分分析進行亮點檢測，檢測率和局部信噪比優于傳統的主成分分析和核主成分分析。核主成分分析在數據降維與約簡方面與其他算法融合也是研究的熱點。如Hong Zhang[13]等提出主成分分析與支持向量機結合用于建立預測模型；Renping Shao[14]等基于小波變換的核主成分分析進行故障特征提取與分類，效果優于主成分分析方法。

2)支持向量機

支持向量機(Support Vector Machine，SVM)是一個在機器學習領域使用數學方法和優化技術進行數據分析、模式識別、回歸分析的有監督學習模型，對于處理小樣本、非線性和高維模式識別問題有很大的優勢。支持向量機應用的領域包括文本識別、圖像識別、醫療診斷、醫學圖像分割、信號處理、故障診斷等等。對支持向量機的進一步改進有：自適應支持向量機、無約束規劃回歸估計支持向量機、復值支持向量機、線性規劃支持向量機、局部支持向量機等。近年來局部支持向量機應用于圖像分類、腦電圖信號處理、網絡流量預測等領域，相比于傳統的支持向量機，在保證分類精度的情況下有效降低了時間復雜度[15]；沈培[16]等提出支持向量機應用于醫療費用控制研究；鄒麗[17]等構造基于遺傳算法的決策樹對支持向量機的醫學圖像進行分類，提高了分類精度和訓練速度；Xiang-Yang Wang[18]等采用模糊C均值與支持向量機對彩色圖像進行分割，提高了彩色圖像的分割質量；Sevcan Aytac Korkmaz[19]等通過最小二乘支持向量機的最大最小冗余法進行疾病診斷；Petros Xanthopoulos[20]等提出加權支持向量機用于控制圖模式識別，進行早期故障診斷。Sebastián Maldonado[21]等使用支持向量機對高維不平衡數據集進行特征選擇；Shadnaz Asgari[22]等基于平穩小波變換和支持向量機的自動對焦檢測方法，該方法具有較高的敏感性和特異性；Hong-Ying Yang[23]等基于非下采樣和雙支持向量機進行圖像去噪，該去噪方法可以很好地保留邊緣和紋理特性；Vivek Singh Verma[24]等提出基于主成分分析的支持向量機用于特征約簡。支持向量機具有簡化數據結構、降低計算復雜度且泛化性能好的優點，但缺點是當數量較大時，計算速度減慢，并且對噪聲數據和孤立點特別敏感。通過分析支持向量機的優缺點可知，支持向量機向多類問題發展、向更多的領域推廣、與其他機器學習方法的融合、加強支持向量機的訓練算法等是今后研究的重要方向。

3)基于核函數的獨立成分分析

核獨立成分分析(Kernel Independent Component Analysis， KICA)是一種為解決盲源分離問題的新技術，具有魯棒性強的特點，在圖像去噪、數據檢測、人臉識別等領域有較強的適應能力。任亞平[25]提出核獨立成分分析進行圖像去噪，可以保留圖像細節信息并提高圖像質量；祝元春[26]基于核獨立成分分析方法進行過程監測，提高敏感度、增強識別能力和抗干擾能力，降低誤報率和漏報率；Chunsheng Guo[27]等基于核獨立成分分析的運動目標檢測，實現目標分離；彭磊[28]提出基于列分塊的核獨立成分分析進行人臉識別，降低樣本相關性，增強魯棒性，取得較好的識別效果。主成分分析與核獨立成分分析結合處理線性高維混合信號效果好[29]。僅僅使用核獨立成分分析很難進行圖像處理、特征降維等，根據近年的研究成果可以發現，核獨立成分分析應用于去噪、人臉識別領域的比較多，與其他學習算法結合應用于特征降維和特征分類方面很少，加強與其他計算方法的結合和發展是核獨立成分分析方法改進的重要的方向。

4)核Fisher鑒別分析

核Fisher鑒別分析(Kernel Fisher Discriminant Analysis，KFDA)能有效地提取非線性鑒別特征，有良好的泛化性，不具有維數災難的問題，應用范圍廣，模式識別和機器學習等領域是重要的研究方向。如Ziqiang Wang[30]等提出多核局部判別分析應用于人臉識別，提取人臉復雜的非線性鑒別特征并同時考慮多個圖像特征，實現良好的識別效果；楚恒[31]基于核Fisher判別分析與冗余小波變換進行圖像融合，融合質量提高，融合效果優于傳統的融合方法，實時性較強。Shian-Chang Huang[32]等提出核局部Fisher判別分析與流行正則化支持向量機結合建立預測模型；A. Diaf[33]等提出非參數化的核函數判別分析用于數據分類，這種數據分類模型有效性能好；Jinghua Wang[34]等基于核主成分分析的快速核函數判別分析在非線性特征提取方面效率提高，可以產生良好的分類特征；Zhi-Bo Zhu[35]等基于不平衡修正核函數判別分析方法進行故障診斷，相對于平衡數據集提高故障診斷性能； Jemila S. Hamid[36]等提出核函數判別分析對異構數據集進行加權融合，去除冗余數據，提高預測精度和抗噪能力。與傳統的Fisher鑒別分析方法相比，核Fisher鑒別分析在處理非線性數據時更為敏感，提高了數據集的可分性和分類正確率，具有很好的魯棒性。

1.1.2 流行學習方法

近年來，一些非線性降維方法被不斷提出，具有代表性的有等距映射(Isomap)、拉普拉斯特征映射(laplacian eigenmaps，LE)，局部線性嵌入(locally-linear embedding，LLE)等。非線性流行學習方法作為模式識別的基本方法，能夠發現數據中隱藏的幾何結構及規律性，已經成為信息科學領域研究的熱點，不管在理論上還是在應用上都具有重要的意義。

1)拉普拉斯特征映射

拉普拉斯特征映射(Laplacian Eigenmaps，LE)是由Belkin和Niyogi于2003年提出的[5]，屬于一種局部的非線性算法，該算法有速度快、直觀的特點，在樣本數據復雜多樣性的情況下效果相對不理想，但在出現離群值的情況下魯棒性好。尋找一個合適的低維表示復雜數據是機器學習和數據分析中的核心問題之一，目前拉普拉斯特征映射主要應用于圖像識別、數據挖掘等領域。如文獻[5]針對離群點敏感性這一特點提出魯棒性拉普拉斯特征映射算法提高了離群點的魯棒性；劉海紅[37]等把拉普拉斯特征映射與半監督的機器學習結合，在分類識別問題上比傳統的流行學習方法有更好的效果，且泛化性增強；王寶鋒[38]等采用拉普拉斯特征映射法對水下彩色圖像進行降維獲得重構的圖像，不僅保留了圖像的一些細節信息，而且還提高了圖像的對比度；應自爐[39]提出對紋理特征識別簡單有效的局部二元模式算法與拉普拉斯特征映射法相結合進行人臉識別，與其他算法比較，該算法有效性好；錢進[40]等提出拉普拉斯特征映射算法在數據降維方面很有效，很適于特征提取。目前一些流行學習的算法計算量都很大，因此如何在處理大型的、海量的、復雜的、多樣性的數據時進一步改進拉普拉斯特征映射使其有更好的效果是今后重要的研究方向。

2)等距映射法

等距映射法(Isometric Mapping，ISOMAP)于Tenenbaum等人在2000年Science雜志上提出。作為一種全局數據降維算法同時也是非監督流行學習算法，算法高效、參數少、思路清晰、步驟簡潔、能收斂于全局最優解[41]，逐漸成為近年來非線性流行降維的重要方法。如邵超[42]等提出基于等距映射的監督多流行學習算法，可準確判定類別標記，泛化能力增強；張少龍[41]等提出局部線性嵌入與等距映射法融合，融合后的算法有確定的全局最優解，可根據需要調整兩者的權衡關系；孫麗萍[43]采用界標等距映射法在模糊C均值聚類過程中對高維數據進行降維，加快聚類的速度，減少計算復雜度。針對等距映射法對于已知先驗類別信息的數據，其降維效果不理想，對于新加入的數據點的降維，計算復雜度過高，不適合實時應用[44]這一缺點，對其做了不斷的改進，如程建[44]等提出基于自適應距離的等距映射法實現有效的降維，并明顯提高了人臉識別率和實時性。提高泛化性能和分類準確率并且降低數據維數是有監督機器學習努力的方向。

3)局部線性嵌入算法

局部線性嵌入算法(local linear embedding，LLE)于2000年S.T.Roweis和L.K.Saul所提出的一種用局部線性反映全局的無監督非線性降維方法，有利于進行高維數據約簡和數據分析，并對局部線性嵌入算法進行不斷改進，在機器學習、數據壓縮、模式識別、神經計算和認知科學等領域受到研究者的廣泛關注。如張長帥[45]等提出一種基于核的半監督局部線性嵌入方法，通過對數據結構進行重建提高降維性能，與傳統局部線性嵌入方法相比，在人臉庫等數據上提高了辨識率；白俊卿[46]等利用局部線性嵌入通過求解數據的低維嵌入進行模態識別，有很好的識別效果；Qi Li[47]等提出局部線性嵌入和混合熵結合進行空間配準，該算法能有效抑制和消除圖像噪聲的影響，與現有的方法比較，具有較高的精度和較好的魯棒性；黃曉華[48]等提出一種鑒別型局部線性嵌入算法用于人臉識別，該算法更好的保留圖像信息，提高識別準確率。局部線性嵌入與其他計算方法結合在故障診斷方面有效性較高，如謝小欣[49]等提出最小二乘法與局部線性嵌入算法結合進行故障模式識別，對圖像進行重構并降維，不僅保證數據的完整性，而且增強有效性提高識別精度。根據研究的成果可以發現，局部線性嵌入算法在模式識別方面研究的比較透徹，在圖像處理、故障診斷以及與其他方法融合進行特征分類和特征降維等方面研究甚少，未來研究空間還很寬廣。

1.1.3 基于不確定分析的方法

1)基于模糊集的方法

模糊集(fuzzy set)理論已經成為不確定信息和知識的重要數學工具，目前它已經在聚類分析、圖像識別、自動控制、人工智能等方面得到了成功的應用[50]。近年來，基于模糊集的圖像增強方法、圖像濾波方法、圖像邊緣檢測方法等不斷用于圖像處理中，在提高圖像信噪比、保留細節信息等方面具有很大的優越性。為了提高系統在處理不確定性信息方面的能力，對模糊集進行不斷擴展，不斷提出二型模糊集、區間值模糊集、直覺模糊集、區間值直覺模糊集、二型直覺模糊集、區間值猶豫模糊集、直覺猶豫模糊集、模糊數直覺模糊集等改進的理論模型。Tamalika Chaira[51]提出一種改進的基于二型直覺模糊集用于增強醫學圖像；Tamalika Chaira[52]還提出把直覺模糊集納入到傳統模糊C聚類中，用于聚類腦CT掃描圖像識別大腦中的異常，效果優于傳統模糊集；Sudip Kumar Adhikari[53]等提出非監督形式的模糊C均值聚類(FCM)算法用于MRI圖像分割，針對MRI圖像強度不均勻性和噪聲敏感問題，進行有效的控制和減少，具有很好的抗噪性并且分割精度高，在醫學圖像數據分析方面具有很強的魯棒性[54]；Patricia Melin[55]等提出二型模糊集在數據聚類、分類和模式識別方面的新應用，處理不確定性能力優于一型模糊集。文獻[56]中提出帶參數模糊集用于模式識別和醫療診斷，比傳統的方法更有效。區間模糊集主要用于決策分析[57]；二型直覺模糊集增強了系統處理模糊性、不確定性、躊躇的能力[50]；直覺猶豫模糊集綜合了直覺模糊集和猶豫模糊集的優勢，能夠細膩地描述不完全信息、刻畫出事物的模糊性且更符合決策者的實際心里[58]。改進的新型模糊集與神經網絡相結合可用于異常檢測[59]，構建多維數據預測系統[60]；模糊集與粗糙集理論的結合用于數據建模與分析[61]。目前，對模糊集進行擴展和改進、與其他方法相結合是模糊集理論發展的主要方向。如圖3給出模糊集方法分類圖。

圖3 模糊集改進方法分類圖

2)基于D-S證據理論的方法

D-S證據理論(D-S evidence theory)使用信度的“半可加性”準則，很好地在處理不確定性推理問題中對主客觀性之間的矛盾進行了折中，成為在處理不確定性問題方面的有效工具。目前證據理論方法大多是基于D-S證據理論的改進，還未形成獨立的模型。Ning Chen[62]等提出D-S證據理論可有效用于預測分析；羅亞桃[63]提出基于D-S理論的方法進行人腦醫學圖像的融合分割，使分割結果更加合理準確。為提高D-S證據理論的數據處理與決策分析能力，D-S證據理論與其他模型相結合使用是目前研究的主要方向，改進的BP神經網絡與D-S證據理論融合應用于入侵檢測系統提高識別效率[64]；D-S證據理論與神經網絡結合用于煤層地形預測[65]、故障診斷[66]；D-S證據理論與多粒度粗糙集相結合應用于信息融合，提高魯棒性[67]；D-S證據理論與模糊集結合應用于醫學診斷[68]；D-S證據理論與粗糙集理論結合應用于屬性約簡與圖像融合[69]。目前D-S證據理論存在的不足主要體現在組合規則和證據源兩方面，在組合規則方面的改進是對沖突信息進行重新分配與預處理，在證據源方面的改進是修改降低沖突信息量。

1.1.4 基于仿生學的方法

1)基于人工神經網絡的方法

人工神經網絡(Artificial Neural Network，ANN)是一種進行分布式并行信息處理的算法數學模型，具有對知識進行分布存儲能力、泛化功能和很強的容錯能力、自學習、自組織和自適應能力、模式識別能力以及快速尋找優化解的能力，有很好的魯棒性，對于處理含糊性和不確定性的醫學圖像問題很有效。人工神經網絡在模式識別、圖像處理、信號處理、自動控制、衛生保健、醫療、數據挖掘等領域得到了廣泛的應用，其中在醫學領域的應用主要包括：醫學圖像分割、醫學數據分類、去噪、醫學圖像檢測、疾病篩查、死亡時間推斷等。典型的人工神經網絡模型包括：前向多層神經網絡、誤差反向傳播神經網絡、自組織特征映射神經網絡(Self-Organizing Feature Map，SOFM)、Hopfield神經網絡、波爾茲曼機(Boltzmann，BM)神經網絡、自適應共振理論(Adaptive Resonance Theory， ART)神經網絡、BP(Back Propagation)神經網絡、徑向基函數(Radical Basis Function， RBF)神經網絡、脈沖耦合神經網絡(Pulse Coupled Neural Network， PCNN)。Quan Liu[70]等將人工神經網絡成功建立高效率的預測模型；Filippo Amato[71]等用自適應學習算法的神經網絡處理醫學數據并進行分類評估，提高醫療診斷的效率和正確率；D. Jude Hemanth[72]等提出改進的對向傳播神經網絡和改進的Kohonen神經網絡相結合對磁共振腦圖像進行分類，提高收斂速度和準確率；Shu-Ling Shieh[73]等提出一種基于自組織映射的數據聚類和可視化方法的效果優于傳統方法。近年來，為提高人工神經網絡的效率，人工神經網絡與其他方法模型如模糊系統、遺傳算法、模擬退火算法、進化機制等相結合是其研究的重要方向，如遺傳算法、退火算法與人工神經網絡相結合提高逼近精度，遺傳算法與人工神經網絡結合使收斂速度得到提高[74]；非下采樣與脈沖神經網絡結合實現CT與磁共振圖像良好的融合效果[75]。醫學圖像融合提高了成像質量、醫學診斷和醫療評估的臨床適用性[76]。圖4給出基于人工神經網絡分類圖。

圖4 基于人工神經網絡分類圖

1.2 特征選擇

特征選擇是指從原始特征中選擇最少的特征，使所選特征與類別之間具有最大相關度，特征與特征之間具有最小相關度。特征選擇是模式識別的關鍵問題之一，特征選擇結果的好壞直接影響著分類器的分類精度和泛化性能[77]。圖5給出特征選擇的基本框架。

圖5 特征選擇的基本框架

1.2.1 候選特征子集的生成

特征選擇根據思想不同可以分為特征優選和特征劣選。特征優選是指從原始特征中選出性能較好的特征子集，特征劣選是指從原始特征中剔除冗余或無關的特征子集。候選特征子集的生成是特征選擇算法的基礎和關鍵步驟，給出常用的特征子集搜索算法，如圖6所示。

圖6 特征子集搜索算法分類

候選特征子集是特征選擇的關鍵和重要步驟，從目前的研究成果可以看出，在特征選擇中隨機搜索算法和啟發式搜索算法及其改進算法應用廣泛。通過對特征子集搜索算法進行擴展導致多種不同的特征選擇算法，并且特征選擇算法還結合機器學習等新型軟計算方法，應用范圍廣，如Yong-gong Ren[78]等提出了一種改進的LAM特征選擇算法，具有很強的相關性和弱類別，過濾多余的功能，用于解決在文本分類中不能適應高原始特征的空間維數、冗余數據和在選擇閾值有困難等的問題。Bhasin V[79]等將提出新的用于隱寫分析的特征選擇算法(SDSFS)用于選擇基于隨機擴散搜索簡化的功能集，使用可分性假說和采用Fisher得分做分離性措施，提高隱寫過程的檢測精度。Imtiaz H[80]等從面部圖像的高信息水平帶進行特征提取，降低特征維數，提供高類內緊湊性和高類間可分性，使人臉識別具有高識別精度。Sainin MS[81]等使用最近鄰距離矩陣的基于遺傳基礎的特征選擇方法預測有監督特征組合有顯著的影響，可用于需要特征維數減少的諸如圖像和生物信息學的分類等應用中。

1)遺傳算法

為了滿足不同系統的優化，自適應的調整搜索方向，達到更好的全局尋優能力，對遺傳算法進行不斷的改進，改進后的方法如自適應遺傳算法、混合遺傳算法等不但提高了搜索的效率，有較高的優化精度，而且具有很好的收斂性和很強的魯棒性。遺傳算法包括初始種群的構造、適應度函數的構造、選擇、交叉、變異等步驟。如圖7是對遺傳算法的改進方法。

圖7 遺傳算法的改進方法

為維持種群多樣性并且防止遺傳算法過早收斂，對遺傳算法的種群方面進行改進，如改進的擁擠遺傳算法和隔離小生境遺傳算法能保持群體的多樣性，并保持一定的進化能力。陳果等[82]對遺傳算法中適應度函數進行改進，在特征選擇中的有效性優于傳統的遺傳算法；楊水清等[83]提出改進的乘冪適應度函數應用于遺傳算法中，提高了收斂速度、精度和穩定性；劉元寧等[84]提出自適應多種群遺傳算法，與標準遺傳算法相比分類精度高，可廣泛用于特征選擇；Chuen-Horng Lin[85]等基于自適應特征的遺傳算法進行圖像檢索與分類，提高圖像檢索精度。遺傳算法與其他方法融合是算法改進的重要方向，如模擬退火算法與遺傳算法相結合提高遺傳算法的局部搜索能力；肖理慶等[86]將遺傳算法與粒子群算法相結合，改善了遺傳算法早熟收斂現象，提高收斂精度和尋優能力；蟻群算法與遺傳算法相結合解決了搜索過程中因參數眾多而出現的停滯問題；喻壽益[87]等將模糊理論與遺傳算法結合提高全局收斂速度。遺傳算法在醫學領域主要用于疾病診斷[88]、醫學數據處理[89]、醫學圖像分割[90]等。如T. Santhanam[91]等提出基于支持向量機的K均值與遺傳算法結合用于糖尿病診斷；Ahmad Khan[92]等將遺傳算法與自組織模糊混合進行彩色圖像分割，改善嘈雜，提高精度。

2)基于粗糙集的方法

粗糙集(rough set)是有效用于處理含糊性和不確定信息的一種軟計算數學工具，無需先驗知識，在機器學習、知識獲取、決策分析、過程控制等領域得到了廣泛的應用。粗糙集在醫學領域的應用主要包括醫學圖像的增強、濾波、識別、分類、融合、分割；醫學數據挖掘；疾病預測、醫療診斷、疾病分類[93]等等。粗糙集模型的擴展與改進是研究的重要方向，常用的粗糙集模型的方法有：傳統Pawlak粗糙集模型，變精度粗糙集模型，模糊集與粗糙集相結合的模糊粗糙集模型、粗糙模糊集模型，概率粗糙集模型、決策粗糙集模型、Bayes粗糙集模型等等。Ashish Phophalia[94]等提出一種基于粗糙集理論的腦核磁圖像去噪方法，該去噪方法在醫學圖像處理過程中具有很好的適用性；Zexuan Ji[95]等提出廣義的粗糙模糊C均值算法應用于腦核磁圖像分割，具有良好的魯棒性和去噪能力；S. Madhukumar[96]等結合模糊K均值和模糊C均值用于評估腦核磁共振分割圖像；Jong-Hyun Lee[97]等提出基于模糊粗糙的特征選擇提高分類性能。一些改進的粗糙集理論的方法用于數據約簡[98]、異常值檢測[99]。粗糙集模型結合其他理論與技術如模糊集、神經網絡等得到進一步的發展也是其研究的重要方向。宋勝娟[100]提出基于粗糙模糊集的數據融合用于傳感器網絡中，提高了融合結果的客觀性、對觀測對象的預測能力；李冬梅[101]等利用區間二型模糊粗糙集進行屬性約簡，提高處理噪聲數據的精確度；新型的直覺模糊粗糙集常用于決策分析[102]等。圖8給出粗糙集方法分類圖。

圖8 粗糙集改進方法分類圖

2 總結和展望

隨著數字醫學技術的發展，越來越多的醫學圖像應用于臨床診斷，并且一些新的方法和技術不斷被提出和研究。本文從特征變換和特征選擇兩個方面，對醫學圖像融合處理過程進行了研究，首先對圖像進行預處理，再對圖像進行特征提取，最后根據融合規則進行有效的特征融合處理，醫學圖像的融合不僅為診斷提供新的信息，而且在手術方案等的設計、實施和評價過程中是重要的指南。通過對特征級醫學圖像融合技術研究，發現一些不足和仍需進一步改善的地方：

第一，雖然基于特征級的圖像融合層面提出了一些基本理論和算法，但這些理論和算法仍還處于初始階段，未形成一個比較完善的理論框架，因此制定研究一個比較客觀完善的評價效果優劣的標準對于圖像特征級融合有更好的發展。

第二，醫學圖像特征級融合技術在實際臨床應用中扮演著越來越重要的角色，如何提取特征以及選擇合適的圖像融合算法等仍然是主要的研究問題。

第三，醫學圖像融合主要是體層成像方面的圖像，如CT、MRI等，而對于非體層成像方面的圖像如二維甚至三維的圖像的融合仍然是研究的重點和難點，并且迄今為止圖像融合主要是針對靜態圖像，對于動態的圖像融合是今后發展的重要方向。

第四，雖然醫學圖像融合有不少研究成果，但與實際要求還相差甚遠，融合算法的融合速度、準確性、實用性等在很多方法中仍需改進。

總之，醫學圖像特征級融合研究為疾病的精確定位、早期診斷、治療、預后和療效觀察提供了重要的參考依據，圖像特征級融合技術的不斷發展，為臨床醫療帶來重大的變革。

[1] 周濤，陸惠玲.多模態醫學影像融合識別技術研究進展[J].生物醫學工程學雜志，2013，30(5)：1117-1122.

[2] RAGHAVENDRA R，DORIZZI B，RAO A，et al. Particle swarm optimization based fusion of near infrared and visible images for improved face verification[J].Pattern recognition， 2011，44(2)：401-411.

[3] 陸惠玲，周濤. 基于特征級融合神經網絡的磁共振成像前列腺腫瘤CDA模型[J].計算機應用，2015，35(10)：2813-2818.

[4] 張篤振.局部保持特征變換算法綜述[J].計算機工程與科學，2010，32(1)：80-91.

[5] NAVARRO A，TORRA V. Information fusion in data privacy：A Survey[J].Inform.fusion，2012，13(4)：235-244.

[6] MALDONADO S，CARRIZOSA E，WEBER R. Kernel penalized K-means：a feature selection method based on Kernel K-means[J].Information sciences，2015(322)：150-160.

[7] HANSEN T J，ABRAHAMSEN T J，HANSEN L K. Denoising by semi-supervised kernel PCA preimaging[J].Pattern recognition letters，2014，49(C)：114-120.

[8] DENG X G，TIAN X M，CHEN S. Modified kernel principal component analysis based on local structure analysis and its application to nonlinear process fault diagnosis[J].Chemometrics and intelligent laboratory systems，2013(127)：195-209.

[9] DING M T， TIAN Z，XU H X. Adaptive kernel principal component analysis[J].Signal processing，2010，90(5)：1542-1553.

[10] ZHANG Y Q， LIU J Y，LI M D，et al. Joint image denoising using adaptive principal component analysis and self-similarity[J].Information sciences，2014,259(3)：128-141.

[11] ZHUO L，YANG M.Dimensional reduction and classification of hyperspectral data for tree species using PCA algorithm[J].Science of surveying and mapping，2014，39(2)：146-149.

[12] 張九龍，鄧筱楠，張志禹.概率核主成分分析及應用[J].計算機工程與應用，2011，47(4)：165-167.

[13] ZHANG H，YANG F， LI Y，et al.Predicting profitability of listed construction companies based on principal component analysis and support vector machine—evidence from China[J].Automation in construction，2015(53)：22-28.

[14] SHAO R P，HU W T，WANG Y Y，et al. The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform[J].Measurement，2014(54)：118-132.

[15] 朱瑩瑩. 局部支持向量機的研究[D]. 北京：北京交通大學，2013.

[16] 沈培，張吉凱，張子剛. 基于支持向量機的單病種醫療費用控制研究[J]. 中國衛生經濟， 2012，31(3)：89-91.

[17] 鄒麗，蔣蕓，陳娜，等.基于決策樹對支持向量機的醫學圖像分類新方法[J].計算機工程與應用，2015(7)：1-5.

[18] WANG X Y，WANG Q Y，YANG H Y，et al.Color image segmentation using automatic pixel classification with support vector machine[J].Neurocomputing，2011，74(18)： 3898-3911.

[19] KOR KMAZ S A，POYRAZ M. Least square support vector machine and minumum redundacy maximum relavance for diagnosis of breast cancer from breast microscopic images[J].Procedia-social and behavioral sciences，2015(174)：4026-4031.

[20] PETROS X， TALAYEH R.A weighted support vector machine method for control chart pattern recognition[J].Computers & industrial engineering，2014(70)：134-149.

[21] MALDONADO S，WEBER R，FAMILI F. Feature selection for high-dimensional class-imbalanced data sets using Support Vector Machines[J].Information sciences，2014(286)：228-246.

[22] ASGARI S， MEHRNIA A，MOUSSAVI M. Automatic detection of atrial fibrillation using stationary wavelet transform and support vector machine[J].Computers in biology and medicine，2015(60)：132-142.

[23] YANG H Y，WANG X Y，NIU P P，et al.Image denoising using nonsubsampled shearlet transform and twin support vector machines[J].Neural networks，2014，57(7)：152-165.

[24] VERMA V S，JHA R K，OJHA A. Digital watermark extraction using support vector machine with principal component analysis based feature reduction[J].Journal of visual communication and image representation，2015(31)：75-85.

[25] 任亞平.基于核獨立成分分析的圖像去噪[D]. 廣州：華南理工大學，2011.

[26] 祝元春.基于核獨立成分分析的發酵過程監測方法研究[D]. 北京：北京化工大學，2013.

[27] GUO C S， XUAN F. Moving objects detection based on kernel independent component analysis[J].Procedia engineering，2011(15)：1046-1050.

[28] 彭磊，分塊核獨立成分分析的人臉識別方法研究[D]. 廣州：廣東工業大學，2012.

[29] 梁勝杰，張志華，崔立林，等.基于主成分分析與核獨立成分分析的降維方法[J].系統工程與電子技術，2011，33(9)：2144-2148.

[30] WANG Z Q，SUN X. Multiple kernel local Fisher discriminant analysis for face recognition[J].Signal processing，2013，93(6)：1496-1509.

[31] 楚恒.核Fisher判別分析在多聚焦圖像融合中的應用[J].中國圖象圖形學報，2011，16(3)：433-441.

[32] HUANG S C，TANG Y C，LEE C W，et al. Kernel local Fisher discriminant analysis based manifold-regularized SVM model for financial distress predictions[J].Expert systems with applications，2012，39(3)：3855-3861.

[33] DIAF A，BOUFAMA B，BENLAMRI R. Non-parametric fisher’s discriminant analysis with kernels for data classification[J].Pattern recognition letters，2013，34(5)：552-558.

[34] WANG J H，LI Q，YOU J，et al. Fast kernel fisher discriminant analysis via approximating the kernel principal component analysis[J].Neurocomputing，2011，74(17)：3313-3322.

[35] ZHU Z B，SONG Z H. Fault diagnosis based on imbalance modified kernel Fisher discriminant analysis[J].Chemical engineering research and design，2010，88(8)：936-951.

[36] HAMID J S，GREENWOOD C M T，BEYENE J. Weighted kernel fisher discriminant analysis for integrating heterogeneous data[J].Computational statistics & data analysis，2012，56(6)： 2031-2040.

[37] 劉海紅，周聰輝.半監督拉普拉斯特征映射算法[J].計算機工程與設計，2012，33(2)：601-606.

[38] 王寶鋒，劉俊，王國宇，等.基于拉普拉斯特征映射法的水下圖像降維研究[J].現代電子技術，2013，36(2)：29-31.

[39] 應自爐，蔡淋波，劉召義. 基于LBP的拉普拉斯特征映射人臉識別[J].信號處理，2010，26(8)：1230-1233.

[40] 錢進，鄧喀中，范洪冬.基于拉普拉斯特征映射高光譜遙感影像降維及其分類[J].遙感信息，2012，27(5)：3-7.

[41] 張少龍，鞏知樂，廖海斌.融合LLE和ISOMAP的非線性降維方法[J].計算機應用研究，2014，31(1)：277-280.

[42] 邵超，萬春紅.基于等距映射的監督多流形學習算法[J].模式識別與人工智能，2014，27(2)：111-119.

[43] 孫麗萍，丁男，王云中，等.基于L-ISOMAP降維的快速模糊聚類算法[J].計算機工程與應用，2011，47(24)：182-190.

[44] 程建，屈航，連釗，鄭永恒.基于自適應距離的等距映射[J].中國科技論文，2012，7(10)： 796-808.

[45] 張長帥，周大可，楊欣.一種基于核的半監督局部線性嵌入方法[J].計算機工程，2011，37(20)：157-159.

[46] 白俊卿，閆桂榮，王成.利用局部線性嵌入的模態識別[J].西安交通大學學報，2013，47(1)：85-100.

[47] LI QI，JI H B.Multimodality image registration using local linear embedding and hybrid entropy[J].Neurocomputing，2013，111(6)：34-42.

[48] 黃曉華，梁超，鄭文明. 圖像空間中的鑒別型局部線性嵌入方法[J].中國圖象圖形學報，2010，15(12)：1776-1782.

[49] 謝小欣，胡建中，許飛云，等.一種基于多流形局部線性嵌入算法的故障診斷方法[J].機械工程學報，2013，49(11)：79-83.

[50] 趙濤，肖建.二型直覺模糊集[J].控制理論與應用，2012，29(9)：1215-1222.

[51] CHAIRA T. An improved medical image enhancement scheme using Type II fuzzy set[J] .Applied soft computing，2014(25)：293-308.

[52] CHAIR T. A novel intuitionistic fuzzy C means clustering algorithm and its application to medical images[J].Applied soft computing，2011，11(2)：1711-1717.

[53] ADHIKARI S K， SING J K，BASU D K，et al.Conditional spatial fuzzy C-means clustering algorithm for segmentation of MRI images[J]Applied soft computing. 2015(34)：758-769.

[54] KANNAN S R， RAMATHILAGAM S，DEVI R，et al. Strong fuzzy c-means in medical image data analysis[J].Journal of systems and software，2012，85(11)：2425-2438.

[55] MELIN P，CASTILLO O.A review on type-2 fuzzy logic applications in clustering， classification and pattern recognition[J].Applied soft computing，2014，21(5)：568-577.

[56] 張振華.幾類特殊模糊集的理論與應用研究[D].南京：南京理工大學，2012.

[57] CELIK E，GUL M，AYDIN N，et al. A comprehensive review of multi criteria decision making approaches based on interval type-2 fuzzy sets[J].Knowledge-based systems，2015(85):329-341.

[58] 彭露.基于直覺猶豫模糊信息的多準則群決策方法研究[D].長沙：中南大學，2013.

[59] UPASANI N，OM H. Evolving fuzzy min-max neural network for outlier detection[J]. Procedia computer science，2015(45)：753-761.

[60] LI D Z， WANG W， ISMAIL F. An evolving fuzzy neural predictor for multi-dimensional system state forecasting[J]. Neurocomputing，2014(145)：381-391.

[61] RIZA L S，JANUSZ A，BERGMEIR C，et al. Implementing algorithms of rough set theory and fuzzy rough set theory in the R package “RoughSets”[J].Information sciences，2014，287(10)：68-89.

[62] CHEN N，YU D J，XIA B Z. Evidence-theory-based analysis for the prediction of exterior acoustic field with epistemic uncertainties[J].Engineering analysis with boundary elements， 2015(50)：402-411.

[63] 羅亞桃.基于D-S理論的人腦醫學圖像的融合分割[D].昆明：昆明理工大學，2012.

[64] 張來武.改進的BP神經網絡與D-S證據理論融合在入侵檢測系統中的應用[D].昆明：云南大學，2013.

[65] SI L， WANG Z B，TAN C，et al. A novel approach for coal seam terrain prediction through information fusion of improved D-S evidence theory and neural network[J]. Measurement，2014(54)：140-151.

[66] XU C M， ZHANG H， PENG D G，et al. study of fault diagnosis of integrate of d-s evidence theory based on neural network for turbine[J].Energy procedia，2012(16)：2027-2032.

[67] LIN G P，LIANG J Y，QIAN Y H. An information fusion approach by combining multigranulation rough sets and evidence theory[J].Information sciences，2015(314)：184-199.

[68] LI Z W， WEN G Q， XIE N X. An approach to fuzzy soft sets in decision making based on grey relational analysis and dempster-shafer theory of evidence：an application in medical diagnosis[J]. Artificial intelligence in medicine，2015，64(3)：161-171.

[69] FENG T， ZHANG S P，MI J S.The reduction and fusion of fuzzy covering systems based on the evidence theory[J].International journal of approximate reasoning，2012，53(1)： 87-103.

[70] LIU Q， CUI X R， CHOU Y C，et al. Ensemble artificial neural networks applied to predict the key risk factors of hip bone fracture for elders[J].Biomedical signal processing and control，2015(21)：146-156.

[72] HEMANTH D J，VIJILA C K S，SELVAKUMAR A I，et al. Performance improved iteration-free artificial neural networks for abnormal magnetic resonance brain image classification[J]. Neurocomputing，2014(130)：98-107.

[73] SHIEH S L，LIAO I E. A new approach for data clustering and visualization using self-organizing maps[J].Expert systems with applications，2012，39(15)：11924-11933.

[74] ZAHEDI J，ROUNAGHI M M. Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange[J].Statistical mechanics and its applications，2015，438(15)：178-187.

[75] SINGH S，GUPTA DEEP，ANAND R S，et al. Nonsubsampled shearlet based CT and MR medical image fusion using biologically inspired spiking neural network[J]. Biomedical signal processing and control，2015(18)：91-101.

[76] JAMES A P，DASARATHY B V. Medical image fusion：a survey of the state of the art[J]. Information fusion，2014(19)：4-19.

[77] 姚旭，王曉丹，張玉璽，等.特征選擇方法綜述[J].控制與決策，2012，27(2)：161-166.

[78] REN Y G，LIN NAN，SUN Y Q. An improved LAM feature selection algorithm[J].Web information systems and applications conference (WISA)，2010 (7)：35-38.

[79] BHASIN V，BEDI P，SINGHAL A. Feature selection for steganalysis based on modified stochastic diffusion search using fisher score[C]//Proc.2014 International Conference on Advances in Computing，Communications and Informatics (ICACCI).[S.l.]：IEEE，2014：2323-2330.

[80] IMTIAZ H，FATTAH S A. A wavelet-domain local feature selection scheme for face recognition[C]//Proc. Communications and Signal Processing (ICCSP) .[S.l.]：IEEE，2011：448-451.

[81] SAININ M S，ALFRED R. A genetic based wrapper feature selection approach using Nearest Neighbour Distance Matrix[J]. Data Mining and Optimization (DMO)，2011(3)： 237-242.

[82] 陳果，鄧堰. 遺傳算法特征選取中的幾種適應度函數構造新方法及其應用[J].機械科學與技術，2011，30(1)：124-128.

[83] 楊水清，楊加明，孫超. 改進的乘冪適應度函數在遺傳算法中的應用[J].計算機工程與應用，2014，50(17)：40-43.

[84] 劉元寧，王剛，朱曉冬，等.基于自適應多種群遺傳算法的特征選擇[J].吉林大學學報(工學版)，2011，41(6)：1690-1693.

[85] LIN C H，CHEN H Y，WU Y S. Study of image retrieval and classification based on adaptive features using genetic algorithm feature selection[J]. Expert systems with applications，2014，41(15)：6611-6621.

[86] 肖理慶，邵曉根，張亮，等.利用改進遺傳算法優化PID參數[J].計算機工程與應用， 2010(1)：200-202.

[87] 喻壽益，鄺溯瓊. 嵌套式模糊自適應遺傳算法[J].控制工程，2010(1)：75-79.

[88] ?ZCIFT A，GüLTEN A. Genetic algorithm wrapped Bayesian network feature selection applied to differential diagnosis of erythemato-squamous diseases[J].Digital signal processing，2013，23(1)：230-237.

[89] AMIROV A，GERGET O，DEVJATYH D，et al. medical data processing system based on neural network and genetic algorithm[J]. Procedia-social and behavioral sciences，2014，131(15)：149-155.

[90] MANIKANDAN S，RAMAR K，IRUTHAYARAJAN M W，et al. Multilevel thresholding for segmentation of medical brain images using real coded genetic algorithm[J]. Measurement，2014(47)：558-568.

[91] SANTHANAM T，PADMAVATHI M S. Application of k-means and genetic algorithms for dimension reduction by integrating SVM for diabetes diagnosis[J]. Procedia computer science，2015(47)：76-83.

[92] KHAN A，JAFFAR M A.Genetic algorithm and self organizing map based fuzzy hybrid intelligent method for color image segmentation[J].Applied soft computing，2015(32)：300-310.

[93] KUMAR S S，INBARANI H H.optimistic multi-granulation rough set based classification for medical diagnosis[J].Procedia computer science，2015(47)：374-382.

[94] PHOPHALIA A，MITRA S K. Rough set based bilateral filter design for denoising brain MR images[J]. Applied soft computing，2015(33)：1-14.

[95] JI Z X，SUN Q S，XIA Y，et al. Generalized rough fuzzy c-means algorithm for brain MR image segmentation[J].Computer methods and programs in biomedicine，2012，108(2)：644-655.

[96] MADHUKUMAR S，SANTHIYAKUMARI N. Evaluation of K-Means and fuzzy C-means segmentation on MR images of brain[J].The egyptian journal of radiology and nuclear medicine，2015，42(2)： 475-479.

[97] LEE J H，ANARAKI J R，AHN C W，et al. Efficient classification system based on fuzzy-rough feature selection and multitree genetic programming for intension pattern recognition using brain signal[J]. Expert systems with applications，2015，42(3)：1644-1651.

[98] CHEN Y M，ZHU Q X，XU H R.Finding rough set reducts with fish swarm algorithm[J].Knowledge-based systems，2015(81)：22-29.

[99] FRANCISCO M P，JOSE V B M，ALBERTO F O，et al. Algorithm for the detection of outliers based on the theory of rough sets[J]. Decision support systems，2015(75)：63-75.

[100] 宋勝娟.基于粗糙模糊集的數據融合在傳感器網絡中的應用[D]. 天津：天津大學，2012. [101] 李冬梅，李濤，趙濤. 基于區間二型模糊粗糙集的連續屬性約簡算法[J].計算機應用研究，2015，32(5)：1379-1382. [102] LIANG D，LIU D. Deriving three-way decisions from intuitionistic fuzzy decision-theoretic rough sets[J].Information sciences，2015，300(8)：28-48.

吳翠穎(1991— )，女，碩士生，主研醫學圖像融合、計算機智能；

周 濤(1977— )，碩士研究生導師，教授，本文通信作者，主要研究方向為人工智能、圖像融合和數據挖掘；

陸惠玲(1976— )，女， 副教授，主要研究方向為人工智能、圖像融合和數據挖掘等；

王媛媛(1992— )，女，碩士生，主研醫學圖像融合、計算機智能。

責任編輯：閆雯雯

Research progress of image fusion method at feature level in medical images

WU CuiYinga， ZHOU Taob，LU Huilingb，WANG Yuanyuana

(a.SchoolofPublichealthandManagement；b.SchoolofScience，NingxiaMedicalUniversity，Yinchuan750004，China)

Medical image fusion at feature level has an important role in the field of medicine.Firstly， a framework of medical image fusion at feature level is provided by this paper. Then，the technology of medical image fusion at feature level is discussed. Secondly， the feature transform method is summarized as based on kernel function， nonlinear manifold learning， uncertainty and bionics four categories.Thirdly， the feature selection method is divided into three categories， which are based on heuristic search， complete search and random search， and analyses the rough sets， genetic algorithm.Finally， the technology of medical image fusion at feature level is summarized and prospected.

feature selection；feature extraction； feature reduction； medical image；image fusion

吳翠穎，周濤，陸惠玲，等. 特征級圖像融合及在醫學圖像中的應用研究[J].電視技術，2016，40(12)：130-142. WU C Y， ZHOU T，LU H L，et al. Research progress of image fusion method at feature level in medical images[J]. Video engineering，2016，40(12)：130-142.

TN911.73

A

10.16280/j.videoe.2016.12.025

國家自然科學基金項目(81160183；61561040)；寧夏自然科學基金項目(NZ12179；NZ14085)；寧夏高等學校科研項目(NGY2013062)

2016-03-16