目的 跨模态像素级医学图像融合是精准医疗领域的研究热点。针对传统的像素级图像融合算法存在融合图像对比度不高和边缘细节不能较好保留等问题，本文提出并行分解图像自适应融合模型。Bipolar disorder genetics方法 首先，使用NSCT(non-subsampled contourlet transform)提取原图像的细节方向信息，将原图像分为低频子带和高频子带，同时使用潜在低秩表示方法(latent low-rank representation, LatLRR)提取原图像的显著能量信息，得到低秩部分、显著部分和噪声部分。然后，在低频子ICI 46474价格带融合方面，NSCT分解后得到的低频子带包含原图像的主要能量，在融合过程中存在多对一的模糊映射关系，因此低频子带融合规则采用基于模糊逻辑的自适应方法，使用高斯隶属函数表示图像模糊关系；在高频子带融合方面，NSCT分解后得到高频子带系数间有较强的结构相似性，高频子带包含图像的轮廓边缘信息，因此高频子带采用基于Piella框架的自适应融合方法，引入平均结构CL13900相似性作为匹配测度，区域方差作为活性测度，设计自适应加权决策因子对高频子带进行融合。结果 在5组CT(computed tomography)肺窗/PET(positron emission tomography)和5组CT纵膈窗/PET进行测试，与对比方法相比，本文方法融合图像的平均梯度提升了66.6%,边缘强度提升了64.4%,边缘保持度提升了52.7%,空间频率提升了47.3%。结论 本文方法生成的融合图像在主客观评价指标中均取得了较好的结果，有助于辅助医生进行更快速和更精准的诊疗。