吴翠颖，周 涛，陆惠玲，王媛媛

(宁夏医科大学 a.公共卫生与管理学院；b.理学院，宁夏 银川750004)



特征级图像融合及在医学图像中的应用研究

吴翠颖a，周 涛b，陆惠玲b，王媛媛a

(宁夏医科大学 a.公共卫生与管理学院；b.理学院，宁夏 银川750004)

医学图像特征级融合在医学领域中有重要的地位，首先给出了医学图像特征级融合流程图；然后对医学图像特征级融合技术进行探讨；其次，将特征变换方法归纳为基于核函数、非线性流行学习、不确定性和仿生学等四类，并分别进行了总结；再次，将特征选择方法归纳为基于启发式搜索、完全式搜索和随机搜索等三类，并对其中典型的粗糙集、遗传算法进行了讨论；最后对医学图像特征级融合技术进行总结和展望。

特征选择；特征提取；特征降维；医学图像；图像融合

医学图像特征级融合首先对原始图像信息进行特征提取，然后对这些特征信息进行综合分析和融合处理，以便更好地检测目标，提高特征检测的精度和图像的检测性能，在临床医疗诊断等领域有很重要的应用价值。特征级融合属于图像融合的中间层融合，在医学图像融合中占有很重要的地位。图像特征级融合不但可以去除冗余信息，保留原始图像的有效信息，而且进行数据压缩，实现有效的融合，其主要应用于人脸识别、基于医学影像的计算机辅助诊断、病灶识别等。如周涛[1]提出在临床设计缜密的手术计划、实施手术时，融合的CT/MRI/DSA影像精确定位病灶及周围相关的解剖结构信息起到关键性的作用，并且对术后观察发挥了重要作用；Raghavendra[2]等利用粒子群优化算法建立模型，对人脸的近红外图像和可见光图像进行处理，有效提高了人脸识别的准确率；陆惠玲[3]提出了一种基于PCA特征级融合NN的前列腺肿瘤CAD模型，该模型利用PCA在特征级进行变换，降低了特征矢量的维数，用神经网络分类识别，为后期临床疾病诊断提供了很大的空间。但是基于特征级的图像融合仅仅提出了一些基本理论和算法，而且这些理论和算法仍处于初级阶段，未形成一个比较完善的理论框架，同时在图像融合和应用方面主要还是基于像素级层面。其研究难点主要包括从纷繁复杂的医学图像中提取有效的特征、选择合适的图像融合算法等等，如今特征级图像融合在实际临床应用中扮演着越来越重要的角色，如何在医学图像中提取有效特征和选择合适的图像融合算法将是图像融合技术发展的关键。

基于以上原因，本文围绕着特征级图像融合方法，综述了在医学图像特征级融合框架下特征变换和特征选择方法的理论发展和前沿成果，从中发现一些不足和难点，并进行探讨。

1 医学图像特征级融合

特征级融合包括特征变换和特征选择。特征变换是将原始特征空间映射到低维空间中[3]，减少特征空间维数，去除相关或冗余特征，达到数据压缩的目的，包括线性方法和非线性方法两大类。特征选择是根据计算方法从给定的特征中选出能够有效识别目标的最小特征子集，包括候选特征子集的生成、子集评价、停止准则、验证方法4个步骤。如图1所示，给出了特征级医学图像融合流程图。

图1 特征级医学图像融合流程图

1.1 特征变换

特征变换是将数据从原始特征空间映射到低维特征空间中，可以有效地降低特征空间维数和消除特征之间可能存在的相关性，减少特征中的无用信息。在计算机辅助诊断领域，人们提出了很多特征变换算法[4]。本文对特征变换算法进行梳理总结(包括一些改进算法)，分为线性与非线性方法，根据基于核函数的方法、非线性流行学习的方法等将非线性方法分为4大部分，由于线性方法只能简单找出数据间的线性关系，对于生活中许多数据如文本数据、图形数据、视频数据、语言数据等以高维向量的形式进行存储的[5]无方向、杂乱的数据，则无法挖掘出其中的非线性关系，而非线性方法在处理大数据量问题时有其独特的优势，具有运算快、易求全局最优解等优点[5]，是重要的处理方法，逐渐成为研究人员研究的热点。下面着重对非线性方法的应用现状做详细的分析总结。本文给出特征变换算法分类图，如图2所示。

图2 特征变换算法分类图

1.1.1 基于核函数的方法

核函数方法(Kernel Function Method，KFM)作为一类新的特征变换算法，无需先验知识，核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射，使问题变得线性可分。对如今日益复杂的研究对象和高维数据的统计分析处理显得至关重要，可有效解决维数灾难问题，降低运算复杂度、简化数据结构。核函数方法包括核主成分分析、支持向量机、核独立成分分析、核Fisher鉴别分析等，核函数方法还可以和不同算法结合形成不同的基于核函数的技术。

1)核主成分分析

核主成分分析(Kernel Principal Component Analysis，KPCA)是使用非线性方法进行主成分提取，通过把原始向量映射到高维特征空间，使得原始数据线性可分，在高维特征空间上进行主成分分析。核主成分分析在处理原始数据时可以提高数据信噪比和抗干扰能力，从而实现数据维数约简和降噪。核主成分分析主要应用于图像去噪、人脸识别、入侵检测、故障诊断、医学统计等领域。在核主成分分析的基础上进一步扩展成局部核主成分分析、概率核主成分分析、混合核函数核主成分分析、自适应核主成分分析等。如Sebastián Maldonado[6]等提出一种无监督特征选择，在数据群检测的应用上有很好的性能；Toke Jansen Hansen[7]等提出半监督核主成分分析适于改善去噪；Xiaogang Deng[8]等提出局部核主成分分析(IKPCA)在故障诊断方面有很好的潜力；Mingtao Ding[9]等提出自适应核主成分分析(AKPCA)较传统方法提高了计算速度和逼近精度；Yongqin Zhang[10]等提出自适应核主成分分析联合自相似性对医学图像去噪的有效性；穆新亮[11]提出一种基于混合核函数的快速核主成分分析用于人脸识别，比传统的核主成分分析方法识别率更高和运行时间更短；张九龙[12]等提出概率核主成分分析进行亮点检测，检测率和局部信噪比优于传统的主成分分析和核主成分分析。核主成分分析在数据降维与约简方面与其他算法融合也是研究的热点。如Hong Zhang[13]等提出主成分分析与支持向量机结合用于建立预测模型；Renping Shao[14]等基于小波变换的核主成分分析进行故障特征提取与分类，效果优于主成分分析方法。

2)支持向量机

支持向量机(Support Vector Machine，SVM)是一个在机器学习领域使用数学方法和优化技术进行数据分析、模式识别、回归分析的有监督学习模型，对于处理小样本、非线性和高维模式识别问题有很大的优势。支持向量机应用的领域包括文本识别、图像识别、医疗诊断、医学图像分割、信号处理、故障诊断等等。对支持向量机的进一步改进有：自适应支持向量机、无约束规划回归估计支持向量机、复值支持向量机、线性规划支持向量机、局部支持向量机等。近年来局部支持向量机应用于图像分类、脑电图信号处理、网络流量预测等领域，相比于传统的支持向量机，在保证分类精度的情况下有效降低了时间复杂度[15]；沈培[16]等提出支持向量机应用于医疗费用控制研究；邹丽[17]等构造基于遗传算法的决策树对支持向量机的医学图像进行分类，提高了分类精度和训练速度；Xiang-Yang Wang[18]等采用模糊C均值与支持向量机对彩色图像进行分割，提高了彩色图像的分割质量；Sevcan Aytac Korkmaz[19]等通过最小二乘支持向量机的最大最小冗余法进行疾病诊断；Petros Xanthopoulos[20]等提出加权支持向量机用于控制图模式识别，进行早期故障诊断。Sebastián Maldonado[21]等使用支持向量机对高维不平衡数据集进行特征选择；Shadnaz Asgari[22]等基于平稳小波变换和支持向量机的自动对焦检测方法，该方法具有较高的敏感性和特异性；Hong-Ying Yang[23]等基于非下采样和双支持向量机进行图像去噪，该去噪方法可以很好地保留边缘和纹理特性；Vivek Singh Verma[24]等提出基于主成分分析的支持向量机用于特征约简。支持向量机具有简化数据结构、降低计算复杂度且泛化性能好的优点，但缺点是当数量较大时，计算速度减慢，并且对噪声数据和孤立点特别敏感。通过分析支持向量机的优缺点可知，支持向量机向多类问题发展、向更多的领域推广、与其他机器学习方法的融合、加强支持向量机的训练算法等是今后研究的重要方向。

3)基于核函数的独立成分分析

核独立成分分析(Kernel Independent Component Analysis， KICA)是一种为解决盲源分离问题的新技术，具有鲁棒性强的特点，在图像去噪、数据检测、人脸识别等领域有较强的适应能力。任亚平[25]提出核独立成分分析进行图像去噪，可以保留图像细节信息并提高图像质量；祝元春[26]基于核独立成分分析方法进行过程监测，提高敏感度、增强识别能力和抗干扰能力，降低误报率和漏报率；Chunsheng Guo[27]等基于核独立成分分析的运动目标检测，实现目标分离；彭磊[28]提出基于列分块的核独立成分分析进行人脸识别，降低样本相关性，增强鲁棒性，取得较好的识别效果。主成分分析与核独立成分分析结合处理线性高维混合信号效果好[29]。仅仅使用核独立成分分析很难进行图像处理、特征降维等，根据近年的研究成果可以发现，核独立成分分析应用于去噪、人脸识别领域的比较多，与其他学习算法结合应用于特征降维和特征分类方面很少，加强与其他计算方法的结合和发展是核独立成分分析方法改进的重要的方向。

4)核Fisher鉴别分析

核Fisher鉴别分析(Kernel Fisher Discriminant Analysis，KFDA)能有效地提取非线性鉴别特征，有良好的泛化性，不具有维数灾难的问题，应用范围广，模式识别和机器学习等领域是重要的研究方向。如Ziqiang Wang[30]等提出多核局部判别分析应用于人脸识别，提取人脸复杂的非线性鉴别特征并同时考虑多个图像特征，实现良好的识别效果；楚恒[31]基于核Fisher判别分析与冗余小波变换进行图像融合，融合质量提高，融合效果优于传统的融合方法，实时性较强。Shian-Chang Huang[32]等提出核局部Fisher判别分析与流行正则化支持向量机结合建立预测模型；A. Diaf[33]等提出非参数化的核函数判别分析用于数据分类，这种数据分类模型有效性能好；Jinghua Wang[34]等基于核主成分分析的快速核函数判别分析在非线性特征提取方面效率提高，可以产生良好的分类特征；Zhi-Bo Zhu[35]等基于不平衡修正核函数判别分析方法进行故障诊断，相对于平衡数据集提高故障诊断性能； Jemila S. Hamid[36]等提出核函数判别分析对异构数据集进行加权融合，去除冗余数据，提高预测精度和抗噪能力。与传统的Fisher鉴别分析方法相比，核Fisher鉴别分析在处理非线性数据时更为敏感，提高了数据集的可分性和分类正确率，具有很好的鲁棒性。

1.1.2 流行学习方法

近年来，一些非线性降维方法被不断提出，具有代表性的有等距映射(Isomap)、拉普拉斯特征映射(laplacian eigenmaps，LE)，局部线性嵌入(locally-linear embedding，LLE)等。非线性流行学习方法作为模式识别的基本方法，能够发现数据中隐藏的几何结构及规律性，已经成为信息科学领域研究的热点，不管在理论上还是在应用上都具有重要的意义。

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]，属于一种局部的非线性算法，该算法有速度快、直观的特点，在样本数据复杂多样性的情况下效果相对不理想，但在出现离群值的情况下鲁棒性好。寻找一个合适的低维表示复杂数据是机器学习和数据分析中的核心问题之一，目前拉普拉斯特征映射主要应用于图像识别、数据挖掘等领域。如文献[5]针对离群点敏感性这一特点提出鲁棒性拉普拉斯特征映射算法提高了离群点的鲁棒性；刘海红[37]等把拉普拉斯特征映射与半监督的机器学习结合，在分类识别问题上比传统的流行学习方法有更好的效果，且泛化性增强；王宝锋[38]等采用拉普拉斯特征映射法对水下彩色图像进行降维获得重构的图像，不仅保留了图像的一些细节信息，而且还提高了图像的对比度；应自炉[39]提出对纹理特征识别简单有效的局部二元模式算法与拉普拉斯特征映射法相结合进行人脸识别，与其他算法比较，该算法有效性好；钱进[40]等提出拉普拉斯特征映射算法在数据降维方面很有效，很适于特征提取。目前一些流行学习的算法计算量都很大，因此如何在处理大型的、海量的、复杂的、多样性的数据时进一步改进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杂志上提出。作为一种全局数据降维算法同时也是非监督流行学习算法，算法高效、参数少、思路清晰、步骤简洁、能收敛于全局最优解[41]，逐渐成为近年来非线性流行降维的重要方法。如邵超[42]等提出基于等距映射的监督多流行学习算法，可准确判定类别标记，泛化能力增强；张少龙[41]等提出局部线性嵌入与等距映射法融合，融合后的算法有确定的全局最优解，可根据需要调整两者的权衡关系；孙丽萍[43]采用界标等距映射法在模糊C均值聚类过程中对高维数据进行降维，加快聚类的速度，减少计算复杂度。针对等距映射法对于已知先验类别信息的数据，其降维效果不理想，对于新加入的数据点的降维，计算复杂度过高，不适合实时应用[44]这一缺点，对其做了不断的改进，如程建[44]等提出基于自适应距离的等距映射法实现有效的降维，并明显提高了人脸识别率和实时性。提高泛化性能和分类准确率并且降低数据维数是有监督机器学习努力的方向。

3)局部线性嵌入算法

局部线性嵌入算法(local linear embedding，LLE)于2000年S.T.Roweis和L.K.Saul所提出的一种用局部线性反映全局的无监督非线性降维方法，有利于进行高维数据约简和数据分析，并对局部线性嵌入算法进行不断改进，在机器学习、数据压缩、模式识别、神经计算和认知科学等领域受到研究者的广泛关注。如张长帅[45]等提出一种基于核的半监督局部线性嵌入方法，通过对数据结构进行重建提高降维性能，与传统局部线性嵌入方法相比，在人脸库等数据上提高了辨识率；白俊卿[46]等利用局部线性嵌入通过求解数据的低维嵌入进行模态识别，有很好的识别效果；Qi Li[47]等提出局部线性嵌入和混合熵结合进行空间配准，该算法能有效抑制和消除图像噪声的影响，与现有的方法比较，具有较高的精度和较好的鲁棒性；黄晓华[48]等提出一种鉴别型局部线性嵌入算法用于人脸识别，该算法更好的保留图像信息，提高识别准确率。局部线性嵌入与其他计算方法结合在故障诊断方面有效性较高，如谢小欣[49]等提出最小二乘法与局部线性嵌入算法结合进行故障模式识别，对图像进行重构并降维，不仅保证数据的完整性，而且增强有效性提高识别精度。根据研究的成果可以发现，局部线性嵌入算法在模式识别方面研究的比较透彻，在图像处理、故障诊断以及与其他方法融合进行特征分类和特征降维等方面研究甚少，未来研究空间还很宽广。

1.1.3 基于不确定分析的方法

1)基于模糊集的方法

模糊集(fuzzy set)理论已经成为不确定信息和知识的重要数学工具，目前它已经在聚类分析、图像识别、自动控制、人工智能等方面得到了成功的应用[50]。近年来，基于模糊集的图像增强方法、图像滤波方法、图像边缘检测方法等不断用于图像处理中，在提高图像信噪比、保留细节信息等方面具有很大的优越性。为了提高系统在处理不确定性信息方面的能力，对模糊集进行不断扩展，不断提出二型模糊集、区间值模糊集、直觉模糊集、区间值直觉模糊集、二型直觉模糊集、区间值犹豫模糊集、直觉犹豫模糊集、模糊数直觉模糊集等改进的理论模型。Tamalika Chaira[51]提出一种改进的基于二型直觉模糊集用于增强医学图像；Tamalika Chaira[52]还提出把直觉模糊集纳入到传统模糊C聚类中，用于聚类脑CT扫描图像识别大脑中的异常，效果优于传统模糊集；Sudip Kumar Adhikari[53]等提出非监督形式的模糊C均值聚类(FCM)算法用于MRI图像分割，针对MRI图像强度不均匀性和噪声敏感问题，进行有效的控制和减少，具有很好的抗噪性并且分割精度高，在医学图像数据分析方面具有很强的鲁棒性[54]；Patricia Melin[55]等提出二型模糊集在数据聚类、分类和模式识别方面的新应用，处理不确定性能力优于一型模糊集。文献[56]中提出带参数模糊集用于模式识别和医疗诊断，比传统的方法更有效。区间模糊集主要用于决策分析[57]；二型直觉模糊集增强了系统处理模糊性、不确定性、踌躇的能力[50]；直觉犹豫模糊集综合了直觉模糊集和犹豫模糊集的优势，能够细腻地描述不完全信息、刻画出事物的模糊性且更符合决策者的实际心里[58]。改进的新型模糊集与神经网络相结合可用于异常检测[59]，构建多维数据预测系统[60]；模糊集与粗糙集理论的结合用于数据建模与分析[61]。目前，对模糊集进行扩展和改进、与其他方法相结合是模糊集理论发展的主要方向。如图3给出模糊集方法分类图。

图3 模糊集改进方法分类图

2)基于D-S证据理论的方法

D-S证据理论(D-S evidence theory)使用信度的“半可加性”准则，很好地在处理不确定性推理问题中对主客观性之间的矛盾进行了折中，成为在处理不确定性问题方面的有效工具。目前证据理论方法大多是基于D-S证据理论的改进，还未形成独立的模型。Ning Chen[62]等提出D-S证据理论可有效用于预测分析；罗亚桃[63]提出基于D-S理论的方法进行人脑医学图像的融合分割，使分割结果更加合理准确。为提高D-S证据理论的数据处理与决策分析能力，D-S证据理论与其他模型相结合使用是目前研究的主要方向，改进的BP神经网络与D-S证据理论融合应用于入侵检测系统提高识别效率[64]；D-S证据理论与神经网络结合用于煤层地形预测[65]、故障诊断[66]；D-S证据理论与多粒度粗糙集相结合应用于信息融合，提高鲁棒性[67]；D-S证据理论与模糊集结合应用于医学诊断[68]；D-S证据理论与粗糙集理论结合应用于属性约简与图像融合[69]。目前D-S证据理论存在的不足主要体现在组合规则和证据源两方面，在组合规则方面的改进是对冲突信息进行重新分配与预处理，在证据源方面的改进是修改降低冲突信息量。

1.1.4 基于仿生学的方法

1)基于人工神经网络的方法

人工神经网络(Artificial Neural Network，ANN)是一种进行分布式并行信息处理的算法数学模型，具有对知识进行分布存储能力、泛化功能和很强的容错能力、自学习、自组织和自适应能力、模式识别能力以及快速寻找优化解的能力，有很好的鲁棒性，对于处理含糊性和不确定性的医学图像问题很有效。人工神经网络在模式识别、图像处理、信号处理、自动控制、卫生保健、医疗、数据挖掘等领域得到了广泛的应用，其中在医学领域的应用主要包括：医学图像分割、医学数据分类、去噪、医学图像检测、疾病筛查、死亡时间推断等。典型的人工神经网络模型包括：前向多层神经网络、误差反向传播神经网络、自组织特征映射神经网络(Self-Organizing Feature Map，SOFM)、Hopfield神经网络、波尔兹曼机(Boltzmann，BM)神经网络、自适应共振理论(Adaptive Resonance Theory， ART)神经网络、BP(Back Propagation)神经网络、径向基函数(Radical Basis Function， RBF)神经网络、脉冲耦合神经网络(Pulse Coupled Neural Network， PCNN)。Quan Liu[70]等将人工神经网络成功建立高效率的预测模型；Filippo Amato[71]等用自适应学习算法的神经网络处理医学数据并进行分类评估，提高医疗诊断的效率和正确率；D. Jude Hemanth[72]等提出改进的对向传播神经网络和改进的Kohonen神经网络相结合对磁共振脑图像进行分类，提高收敛速度和准确率；Shu-Ling Shieh[73]等提出一种基于自组织映射的数据聚类和可视化方法的效果优于传统方法。近年来，为提高人工神经网络的效率，人工神经网络与其他方法模型如模糊系统、遗传算法、模拟退火算法、进化机制等相结合是其研究的重要方向，如遗传算法、退火算法与人工神经网络相结合提高逼近精度，遗传算法与人工神经网络结合使收敛速度得到提高[74]；非下采样与脉冲神经网络结合实现CT与磁共振图像良好的融合效果[75]。医学图像融合提高了成像质量、医学诊断和医疗评估的临床适用性[76]。图4给出基于人工神经网络分类图。

图4 基于人工神经网络分类图

1.2 特征选择

特征选择是指从原始特征中选择最少的特征，使所选特征与类别之间具有最大相关度，特征与特征之间具有最小相关度。特征选择是模式识别的关键问题之一，特征选择结果的好坏直接影响着分类器的分类精度和泛化性能[77]。图5给出特征选择的基本框架。

图5 特征选择的基本框架

1.2.1 候选特征子集的生成

特征选择根据思想不同可以分为特征优选和特征劣选。特征优选是指从原始特征中选出性能较好的特征子集，特征劣选是指从原始特征中剔除冗余或无关的特征子集。候选特征子集的生成是特征选择算法的基础和关键步骤，给出常用的特征子集搜索算法，如图6所示。

图6 特征子集搜索算法分类

候选特征子集是特征选择的关键和重要步骤，从目前的研究成果可以看出，在特征选择中随机搜索算法和启发式搜索算法及其改进算法应用广泛。通过对特征子集搜索算法进行扩展导致多种不同的特征选择算法，并且特征选择算法还结合机器学习等新型软计算方法，应用范围广，如Yong-gong Ren[78]等提出了一种改进的LAM特征选择算法，具有很强的相关性和弱类别，过滤多余的功能，用于解决在文本分类中不能适应高原始特征的空间维数、冗余数据和在选择阈值有困难等的问题。Bhasin V[79]等将提出新的用于隐写分析的特征选择算法(SDSFS)用于选择基于随机扩散搜索简化的功能集，使用可分性假说和采用Fisher得分做分离性措施，提高隐写过程的检测精度。Imtiaz H[80]等从面部图像的高信息水平带进行特征提取，降低特征维数，提供高类内紧凑性和高类间可分性，使人脸识别具有高识别精度。Sainin MS[81]等使用最近邻距离矩阵的基于遗传基础的特征选择方法预测有监督特征组合有显著的影响，可用于需要特征维数减少的诸如图像和生物信息学的分类等应用中。

1)遗传算法

为了满足不同系统的优化，自适应的调整搜索方向，达到更好的全局寻优能力，对遗传算法进行不断的改进，改进后的方法如自适应遗传算法、混合遗传算法等不但提高了搜索的效率，有较高的优化精度，而且具有很好的收敛性和很强的鲁棒性。遗传算法包括初始种群的构造、适应度函数的构造、选择、交叉、变异等步骤。如图7是对遗传算法的改进方法。

图7 遗传算法的改进方法

为维持种群多样性并且防止遗传算法过早收敛，对遗传算法的种群方面进行改进，如改进的拥挤遗传算法和隔离小生境遗传算法能保持群体的多样性，并保持一定的进化能力。陈果等[82]对遗传算法中适应度函数进行改进，在特征选择中的有效性优于传统的遗传算法；杨水清等[83]提出改进的乘幂适应度函数应用于遗传算法中，提高了收敛速度、精度和稳定性；刘元宁等[84]提出自适应多种群遗传算法，与标准遗传算法相比分类精度高，可广泛用于特征选择；Chuen-Horng Lin[85]等基于自适应特征的遗传算法进行图像检索与分类，提高图像检索精度。遗传算法与其他方法融合是算法改进的重要方向，如模拟退火算法与遗传算法相结合提高遗传算法的局部搜索能力；肖理庆等[86]将遗传算法与粒子群算法相结合，改善了遗传算法早熟收敛现象，提高收敛精度和寻优能力；蚁群算法与遗传算法相结合解决了搜索过程中因参数众多而出现的停滞问题；喻寿益[87]等将模糊理论与遗传算法结合提高全局收敛速度。遗传算法在医学领域主要用于疾病诊断[88]、医学数据处理[89]、医学图像分割[90]等。如T. Santhanam[91]等提出基于支持向量机的K均值与遗传算法结合用于糖尿病诊断；Ahmad Khan[92]等将遗传算法与自组织模糊混合进行彩色图像分割，改善嘈杂，提高精度。

2)基于粗糙集的方法

粗糙集(rough set)是有效用于处理含糊性和不确定信息的一种软计算数学工具，无需先验知识，在机器学习、知识获取、决策分析、过程控制等领域得到了广泛的应用。粗糙集在医学领域的应用主要包括医学图像的增强、滤波、识别、分类、融合、分割；医学数据挖掘；疾病预测、医疗诊断、疾病分类[93]等等。粗糙集模型的扩展与改进是研究的重要方向，常用的粗糙集模型的方法有：传统Pawlak粗糙集模型，变精度粗糙集模型，模糊集与粗糙集相结合的模糊粗糙集模型、粗糙模糊集模型，概率粗糙集模型、决策粗糙集模型、Bayes粗糙集模型等等。Ashish Phophalia[94]等提出一种基于粗糙集理论的脑核磁图像去噪方法，该去噪方法在医学图像处理过程中具有很好的适用性；Zexuan Ji[95]等提出广义的粗糙模糊C均值算法应用于脑核磁图像分割，具有良好的鲁棒性和去噪能力；S. Madhukumar[96]等结合模糊K均值和模糊C均值用于评估脑核磁共振分割图像；Jong-Hyun Lee[97]等提出基于模糊粗糙的特征选择提高分类性能。一些改进的粗糙集理论的方法用于数据约简[98]、异常值检测[99]。粗糙集模型结合其他理论与技术如模糊集、神经网络等得到进一步的发展也是其研究的重要方向。宋胜娟[100]提出基于粗糙模糊集的数据融合用于传感器网络中，提高了融合结果的客观性、对观测对象的预测能力；李冬梅[101]等利用区间二型模糊粗糙集进行属性约简，提高处理噪声数据的精确度；新型的直觉模糊粗糙集常用于决策分析[102]等。图8给出粗糙集方法分类图。

图8 粗糙集改进方法分类图

2 总结和展望

随着数字医学技术的发展，越来越多的医学图像应用于临床诊断，并且一些新的方法和技术不断被提出和研究。本文从特征变换和特征选择两个方面，对医学图像融合处理过程进行了研究，首先对图像进行预处理，再对图像进行特征提取，最后根据融合规则进行有效的特征融合处理，医学图像的融合不仅为诊断提供新的信息，而且在手术方案等的设计、实施和评价过程中是重要的指南。通过对特征级医学图像融合技术研究，发现一些不足和仍需进一步改善的地方：

第一，虽然基于特征级的图像融合层面提出了一些基本理论和算法，但这些理论和算法仍还处于初始阶段，未形成一个比较完善的理论框架，因此制定研究一个比较客观完善的评价效果优劣的标准对于图像特征级融合有更好的发展。

第二，医学图像特征级融合技术在实际临床应用中扮演着越来越重要的角色，如何提取特征以及选择合适的图像融合算法等仍然是主要的研究问题。

第三，医学图像融合主要是体层成像方面的图像，如CT、MRI等，而对于非体层成像方面的图像如二维甚至三维的图像的融合仍然是研究的重点和难点，并且迄今为止图像融合主要是针对静态图像，对于动态的图像融合是今后发展的重要方向。

第四，虽然医学图像融合有不少研究成果，但与实际要求还相差甚远，融合算法的融合速度、准确性、实用性等在很多方法中仍需改进。

总之，医学图像特征级融合研究为疾病的精确定位、早期诊断、治疗、预后和疗效观察提供了重要的参考依据，图像特征级融合技术的不断发展，为临床医疗带来重大的变革。

[1] 周涛，陆惠玲.多模态医学影像融合识别技术研究进展[J].生物医学工程学杂志，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] 陆惠玲，周涛. 基于特征级融合神经网络的磁共振成像前列腺肿瘤CDA模型[J].计算机应用，2015，35(10)：2813-2818.

[4] 张笃振.局部保持特征变换算法综述[J].计算机工程与科学，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] 张九龙，邓筱楠，张志禹.概率核主成分分析及应用[J].计算机工程与应用，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] 朱莹莹. 局部支持向量机的研究[D]. 北京：北京交通大学，2013.

[16] 沈培，张吉凯，张子刚. 基于支持向量机的单病种医疗费用控制研究[J]. 中国卫生经济， 2012，31(3)：89-91.

[17] 邹丽，蒋芸，陈娜，等.基于决策树对支持向量机的医学图像分类新方法[J].计算机工程与应用，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] 任亚平.基于核独立成分分析的图像去噪[D]. 广州：华南理工大学，2011.

[26] 祝元春.基于核独立成分分析的发酵过程监测方法研究[D]. 北京：北京化工大学，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，分块核独立成分分析的人脸识别方法研究[D]. 广州：广东工业大学，2012.

[29] 梁胜杰，张志华，崔立林，等.基于主成分分析与核独立成分分析的降维方法[J].系统工程与电子技术，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判别分析在多聚焦图像融合中的应用[J].中国图象图形学报，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] 刘海红，周聪辉.半监督拉普拉斯特征映射算法[J].计算机工程与设计，2012，33(2)：601-606.

[38] 王宝锋，刘俊，王国宇，等.基于拉普拉斯特征映射法的水下图像降维研究[J].现代电子技术，2013，36(2)：29-31.

[39] 应自炉，蔡淋波，刘召义. 基于LBP的拉普拉斯特征映射人脸识别[J].信号处理，2010，26(8)：1230-1233.

[40] 钱进，邓喀中，范洪冬.基于拉普拉斯特征映射高光谱遥感影像降维及其分类[J].遥感信息，2012，27(5)：3-7.

[41] 张少龙，巩知乐，廖海斌.融合LLE和ISOMAP的非线性降维方法[J].计算机应用研究，2014，31(1)：277-280.

[42] 邵超，万春红.基于等距映射的监督多流形学习算法[J].模式识别与人工智能，2014，27(2)：111-119.

[43] 孙丽萍，丁男，王云中，等.基于L-ISOMAP降维的快速模糊聚类算法[J].计算机工程与应用，2011，47(24)：182-190.

[44] 程建，屈航，连钊，郑永恒.基于自适应距离的等距映射[J].中国科技论文，2012，7(10)： 796-808.

[45] 张长帅，周大可，杨欣.一种基于核的半监督局部线性嵌入方法[J].计算机工程，2011，37(20)：157-159.

[46] 白俊卿，闫桂荣，王成.利用局部线性嵌入的模态识别[J].西安交通大学学报，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] 黄晓华，梁超，郑文明. 图像空间中的鉴别型局部线性嵌入方法[J].中国图象图形学报，2010，15(12)：1776-1782.

[49] 谢小欣，胡建中，许飞云，等.一种基于多流形局部线性嵌入算法的故障诊断方法[J].机械工程学报，2013，49(11)：79-83.

[50] 赵涛，肖建.二型直觉模糊集[J].控制理论与应用，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] 张振华.几类特殊模糊集的理论与应用研究[D].南京：南京理工大学，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.基于直觉犹豫模糊信息的多准则群决策方法研究[D].长沙：中南大学，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] 罗亚桃.基于D-S理论的人脑医学图像的融合分割[D].昆明：昆明理工大学，2012.

[64] 张来武.改进的BP神经网络与D-S证据理论融合在入侵检测系统中的应用[D].昆明：云南大学，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，王晓丹，张玉玺，等.特征选择方法综述[J].控制与决策，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] 陈果，邓堰. 遗传算法特征选取中的几种适应度函数构造新方法及其应用[J].机械科学与技术，2011，30(1)：124-128.

[83] 杨水清，杨加明，孙超. 改进的乘幂适应度函数在遗传算法中的应用[J].计算机工程与应用，2014，50(17)：40-43.

[84] 刘元宁，王刚，朱晓冬，等.基于自适应多种群遗传算法的特征选择[J].吉林大学学报(工学版)，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] 肖理庆，邵晓根，张亮，等.利用改进遗传算法优化PID参数[J].计算机工程与应用， 2010(1)：200-202.

[87] 喻寿益，邝溯琼. 嵌套式模糊自适应遗传算法[J].控制工程，2010(1)：75-79.

[88] ÖZCIFT 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] 宋胜娟.基于粗糙模糊集的数据融合在传感器网络中的应用[D]. 天津：天津大学，2012. [101] 李冬梅，李涛，赵涛. 基于区间二型模糊粗糙集的连续属性约简算法[J].计算机应用研究，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.

吴翠颖(1991— )，女，硕士生，主研医学图像融合、计算机智能；

周 涛(1977— )，硕士研究生导师，教授，本文通信作者，主要研究方向为人工智能、图像融合和数据挖掘；

陆惠玲(1976— )，女， 副教授，主要研究方向为人工智能、图像融合和数据挖掘等；

王媛媛(1992— )，女，硕士生，主研医学图像融合、计算机智能。

责任编辑：闫雯雯

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

吴翠颖，周涛，陆惠玲，等. 特征级图像融合及在医学图像中的应用研究[J].电视技术，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

国家自然科学基金项目(81160183；61561040)；宁夏自然科学基金项目(NZ12179；NZ14085)；宁夏高等学校科研项目(NGY2013062)

2016-03-16