2025年5月23日，我校生命科学与技术学院张旭明副教授在信息融合领域顶级期刊《Information Fusion》上发表了题为“LPM-Net: Lightweight pixel-level modeling network based on CNN and Mamba for 3D medical image fusion”的研究论文。

现代医学影像技术已形成超声、计算机断层扫描、磁共振成像及正电子发射断层成像等多模态体系。由于物理成像原理的固有差异，上述成像模态在组织密度解析度、软组织对比度、代谢灵敏度等关键参数上形成互补性优势。临床研究表明，依赖单一模态易导致病灶特征遗漏，而现有基于深度学习的融合方法虽试图整合多源信息，却受限于细节丢失、计算复杂度高及模型训练不充分三大技术瓶颈，难以取得理想的融合效果。针对上述问题，研究团队首创了轻量化像素级建模网络（LPM-Net），构建了三维医学影像融合新范式，其创新体现在三个方面。

（1）双模协同训练架构：独创“一融双建”拓扑结构，通过无监督融合分支与有监督重建分支的参数共享机制，突破传统无监督融合方法训练不充分问题；

（2）特征提取新策略：提出了基于密集卷积网络（Dense CNN）与状态空间模型（Mamba）的混合架构，借助像素级建模策略，在保持空间细节完整性的同时，有效提升三维数据处理效率；

（3）轴向分解融合策略：通过独特的轴向特征解耦技术，有效保留高频解剖结构信息，相较主流方法细节保留度大幅提升。

经脑部、心脏、前列腺和头颈等6大临床数据集验证，LPM-Net在结构相似性和互信息等8项核心指标上全面超越现有9种主流医学图像融合方法。该成果不仅开创性地构建了像素级建模理论框架，还为智能诊疗系统提供了新一代融合引擎，对提升诊疗系统的准确性和效率具有重要价值。

图1 基于轻量化像素级建模网络的3D医学图像融合框架

图2 不同图像融合方法在3D脑部MR和PET上的融合结果对比

华中科技大学生命学院博士生闻明伟为论文第一作者，生命学院张旭明老师为通讯作者。该工作得到国家自然科学基金（项目编号：61871440）资助。

原文链接：https://doi.org/10.1016/j.inffus.2025.103306