破局胶囊镜影像融合：基于可靠性感知的复域特征融合技术深度解析
内镜影像融合的技术困境与突破
在消化道疾病的早筛与诊断中，内镜检查扮演着不可或缺的角色。其中，白光成像（WLI）与窄带成像（NBI）作为两种主流的光谱成像技术，为医生提供了互补的视觉信息。WLI擅长还原组织的真实颜色与纹理细节，而NBI则通过特定波长的光增强血管网络的显现，在识别血管结构异常方面具有独特优势。然而，临床实践中往往面临一个棘手的挑战：由于内镜是手持操作，且组织会产生不可避免的变形，相同病灶在WLI与NBI下的观察位置往往并不重合。这种空间错位直接导致了直接融合策略的失效，容易将非对应的区域混合在一起，尤其是在病灶边界检测环节，更可能因信息错位而误判或遗漏关键特征。
基于复域的创新性融合策略
针对上述痛点，最新的研究工作聚焦于如何在不进行精确空间对齐的情况下，利用两种成像模式的互补信息。传统的融合方法多倾向于在实域进行像素或特征的直接组合，这在面对空间错位时显得力不从心。本文介绍的方法打破了常规，转而采用复域（Complex Domain）进行特征处理。在复数数学的框架下，幅度与相位分别对应信号的强度与结构信息。研究团队巧妙地将WLI的特征映射到复域的幅度部分，利用其擅长提供的外观真实性；将NBI的特征映射到相位部分，利用其捕捉的结构细节。这种分工明确的设计，使得模型能够更精准地提取各自擅长的信息。
可靠性感知与跨模态抑制机制
仅仅是简单的幅度与相位分配是不够的，关键在于如何处理那些因空间错位而变得“不可靠”的跨模态交互。研究提出了一种名为“可靠性感知”的机制。框架的第一步是建立基于拓扑规则的特征对应关系，随后对这些对应关系进行可靠性评估。那些因视角差异或组织变形导致匹配不准的区域，会被标记为低可靠性。在融合过程中，模型被设计为抑制这些不可靠的跨模态交互。这种“选择性融合”确保了只有在高度匹配的区域才进行信息交换，从而有效防止了病灶边界因信息错位而产生的模糊化或伪影。这种机制的引入，本质上是对医疗影像中“可信信息”优先原则的数学化实现。
实验验证与模块深度剖析
为了验证所提框架的有效性，研究团队在标准的配对WLI/NBI内镜数据集上进行了大量实验。结果显示，相比于传统的实域融合方法或简单的复域平均，该可靠性感知的复域融合框架在病灶分割任务上取得了显著提升。特别是在病灶边界的轮廓精确度上，表现出了更强的鲁棒性。此外，作者还进行了角色逆转和模块消融实验。这些研究进一步证明了“模态角色设计”的必要性——即WLI与NBI在复域中扮演不同的信息提供者角色，以及“可靠性引导跨模态交互”机制的核心地位。消融实验表明，去除任何一环，分割性能都会有所下降，这证实了该框架各组件的协同作用。
展望与行业意义
从更宏观的行业角度来看，这项工作不仅解决了特定的图像对齐问题，更为医疗AI在实际临床场景中的落地提供了方法论参考。内镜影像的融合并非孤立存在，它直接关系到计算机辅助诊断系统的准确性。复域信号处理在影像领域并不陌生，但将其与可靠性感知相结合，用于解决未配对的多模态内镜影像，拓展了该技术应用的边界。展望未来，随着此类技术的成熟，我们有望看到更智能的内镜系统，它们能够在不增加医生负担的前提下，通过融合不同光谱的信息，为病灶的早期发现提供更可靠的辅助依据。这项研究无疑为消化道影像分析领域注入了新的技术活力。