[文献速递Vol.318]-SAFFusion：一种用于多模态医学图像融合的显著性感知频率融合网络

背景：多模态医学图像融合技术整合不同模态医学图像的互补信息，为临床诊断和治疗提供全面参考，但传统方法和深度学习方法在特征提取、全局建模和融合策略方面存在局限性。研究目的：提出SAFFusion网络，通过结合Mamba-UNet架构和轮廓波变换，改进特征提取和图像重建中的全局建模，并设计双分支频率特征融合模块，以实现对多模态医学图像的有效融合。结论：SAFFusion在保留纹理细节和功能信息方面表现出优越性能，未来可探索更有效的融合策略和损失函数，结合传统融合理论和深度学习技术进一步提高融合图像的质量和可解释性。