W-DUALMINE: 信頼性を重み付けた双専門家融合法と残差相関維持を用いた医学画像融合

arXiv:2601.08920v2 Announce Type: replace-cross Abstract: 医学画像融合は、複数の画像モードから補完的な情報を統合し、臨床的解釈を改善します。しかし、既存のディープラーニングベースの手法、包括的に最近の空間-周波数フレームワーク（例：AdaFuse や ASFE-Fusion）は、相関係数（CC）や相互情報量（MI）で測定されるグローバルな統計的類似性と、ローカルな構造忠実性との間で根本的なトレードオフに苦しんでいます。本稿では、アーキテクチャ制約と理論的根拠のある損失設計を通じてこのトレードオフを明確に解決するための信頼性を重み付けた双専門家融合法である W-DUALMINE を提案します。提案された手法は、適応的なモード重み付けのための高密度信頼度マップ、グローバルコンテキスト空間専門家とウェーブレットドメイン周波数専門家を組み合わせる双専門家融合法戦略、そしてソフト勾配仲裁機構を特徴としています。さらに、グローバルな相関を維持しながらローカルのディテールを強化することを保証する残差から平均融合法を採用しています。CT-MRI、PET-MRI、SPECT-MRI データセットにおける大規模な実験により、W-DUALMINE は CC および MI の指標で AdaFuse や ASFE-Fusion を一貫して上回ることが示されました。

arXiv:2601.08920v2 Announce Type: replace-cross Abstract: Medical image fusion integrates complementary information from multiple imaging modalities to improve clinical interpretation. However, existing deep learningbased methods, including recent spatial-frequency frameworks such as AdaFuse and ASFE-Fusion, often suffer from a fundamental trade-off between global statistical similaritymeasured by correlation coefficient (CC) and mutual information (MI)and local structural fidelity. This paper proposes W-DUALMINE, a reliability-weighted dual-expert fusion framework designed to explicitly resolve this trade-off through architectural constraints and a theoretically grounded loss design. The proposed method introduces dense reliability maps for adaptive modality weighting, a dual-expert fusion strategy combining a global-context spatial expert and a wavelet-domain frequency expert, and a soft gradient-based arbitration mechanism. Furthermore, we employ a residual-to-average fusion paradigm that guarantees the preservation of global correlation while enhancing local details. Extensive experiments on CT-MRI, PET-MRI, and SPECT-MRI datasets demonstrate that W-DUALMINE consistently outperforms AdaFuse and ASFE-Fusion in CC and MI metrics while