- 相關推薦
超聲醫學圖像濾波算法探究
1、超聲圖像
超聲醫學成像與其它醫學成像方法相比，具有對人體無損害、能夠實時顯示器官或組織運動情況等特點。近年來，超聲醫學成像技術得到了迅猛的發展，彩色多普勒成像(CDI，ColorDopplerImagi-ng)、組織多普勒成像(TDI，TissueDopplerImaging)、組織諧波成像(THI，TissueHarmonicImaging)、閃爍回聲成像(FEI，FlashEchoImaging)、造影劑成像等一系列新技術接連出現并應用于臨床，帶動和促進了超聲相關領域的研究和發展。由于成像機制的限制，圖像質量相對較差一直是超聲圖像主要的缺點，特別是由于所成像器官或組織結構上的不均勻性，一些微小的結構不能為超聲所分辨，加上聲波信號的干涉現象，在超聲圖像中形成了特有的斑點(Speckle)，它大大降低了超聲圖像的質量，也使得對圖像細節的識別與分析更加困難。隨著食道超聲成像技術(TEE)與心內超聲成像技術(ICE)等新技術的出現，圖像的質量有了很大的提高，但是相對于后期的圖像分析、多維重建等工作的要求而言，圖像的質量仍有較大的差距，所以必須進行濾波去噪等處理。
由于超聲圖像的上述特點，超聲圖像濾波算法的研究工作主要集中于對其斑點的抑制上。研究表明，超聲圖像中的原始斑點信號具有瑞利(Rayleigh)分布特征(X～R(u))，其均值(E(X))與標準偏差(σ)成比例，可視為一種與圖像信號無關的乘法噪聲，而經信號處理后的斑點信號統計特性被改變，其均值與方差(σ2)成比例[1～3]。對超聲圖像濾波工作的一般要求，是要在有效抑制斑點的同時，很好地保留圖像中對后期的分析和診斷有用的細節信息。對于超聲圖像中的一些微小的結構信息，如器官之間高亮度的界面(如肝與膈)、與斑點尺度相近的微小結構(如小的血管)、灰度相近區域的邊界等，必須在濾波時很好地保留，所以超聲圖像的濾波有其特殊性，是一項要求較高的工作。如何在對斑點充分抑制的同時很好地保留圖像的細節，是濾波算法首先考慮的問題。傳統的線性濾波方法不能滿足超聲圖像濾波的要求，近年來發展了多種非線性自適應濾波方法(NonlinearAdaptiveFiltering)，出現了一些新的發展方向，下面將分別加以介紹和分析。
2、幾種主要的濾波方法
傳統的濾波方法[4]可以概括為:對圖像中的每一個點f(x，y)，取一個以該點為中心的小窗口(通常為矩形窗口)W(x，y)，然后對窗口內的每一點賦予一定的權值，最終的輸出g(x，y)為窗口內各點的某種加權平均。即:g(x，y)=F(f，(x，y)，W(x，y))(1)其實質是根據所取窗口內的信息確定一個新值來取代原值，以使它符合某種預定義的規則。濾波方法的改進主要集中在以下幾個方面:(1)從幾個主要方向上對圖像進行處理，再對結果加以綜合，以保留圖像的方向信息;(2)在空間上根據局部特征自適應地調節濾波器的權值;(3)采用區域生長等方法自適應地調整濾波窗口的大小和形狀;(4)采用先對噪聲進行檢測再根據檢測結果對圖像進行濾波;(5)一些其它的方面。
2.1多方位濾波方法
這類方法的基本思想是:用某種濾波方法沿幾個主要方向(通常為0°，45°，90°，135°四個方向)對圖像進行濾波，得到幾幅子圖像，然后對這些子圖像進行加權組合，以得到最后的輸出圖像。文獻[5]中采用低通濾波方法(時域或頻域)對上述四個方向進行處理，得到四幅子圖像，然后計算它們與原圖像的差異，根據這些差異來確定其加權組合的權值，由此得到輸出圖像。根據同樣的道理，還可以再次應用高通濾波方法對輸出圖像作增強處理以進一步提高圖像的質量。低通濾波方法處理時的公式如下:x10=1dk1xl1+1dk2x12+1dk3x13+1dk4x141dk1+1dk2+1dk3+1dk4(2)其中，xl0為輸出值，xli為某方向的低通濾波得到子圖像的結果，di為第i幅子圖像與原圖像的差異，k為一可調的常數。高通增強方法的公式與此相似。
該方法思想簡單，濾波效果較好，而且結構上高度并行化，特別適合于多處理器系統，以實現圖像的實時處理。文獻[6]中的算法有所不同，作者稱之為“全方位多尺度形態濾波”，其方法可描述為:在(2N+1)(2N+1)窗口內取4N個方位的結構元，然后采用形態學的閉運算加權組合與開運算加權組合，得到最終結果(圖略)。該方法能較好地抑制圖像中的鹽椒噪聲，但其組合的加權系數選取較為簡單，還有待改進。這類方法的共同特點是算法的高度并行化，因此可用硬件來高速實現[5]，適用于對實時性要求較高的場合。但其基于幾個方向的較簡單的出發思想也限制了其對圖像中復雜細節(醫學圖像中很重要的部分)的保留能力。
2.2自適應權值調節濾波方法
自適應權值調節濾波方法的主要思想，是認為對整幅圖像采用同一固定的濾波器來進行濾波不能反映和保留圖像的細節信息，因此應該根據圖像的局部信息來自適應地調節濾波器，以更好地濾除噪聲和保留圖像中重要的細節信息。這類方法中以自適應中值濾波(AMF，AdaptiveMedianFilter)為代表，如文獻[2]中提出的自適應權重調節中值濾波(AWMF，AdaptiveWeightedMedianFilter)。AWMF是建立在對超聲圖像中斑點統計特性的分析基礎之上，采用均值與方差之比作為調節權值的根據，自適應地調節中值濾波器中各點的權值。首先根據斑點的統計特性建立下述噪聲模型:y=x+x12n(3)其中y為實測信號，x為無噪聲時的信號，n為噪聲。在此模型基礎之上，得到自適應權值調節中值濾波的公式:w(i，j)=[w(K+1，K+1)-cdσ2/m](4)其中，c為調節因子，m、σ2分別為均值和方差，d為點(i，j)與窗口w(K+1，K+1)中心點的距離，方括號[]為取整運算符。實驗結果表明，該方法能夠有效地抑制超聲圖像中的斑點噪聲，同時能夠較好地保留圖像中對后期診斷有用的解剖結構信息，是一種針對超聲圖像比較有效的自適應濾波方法。由于自適應權值調節濾波算法是根據圖像的局部信息來自適應地調節濾波參數，因此在對圖像細節保留上表現較好，如果算法采用的局部特征有很好的代表性(現多采用圖像局部的統計特征)，則能較好地滿足超聲圖像濾波的要求。自適應濾波算法涉及到計算量比較大，而算法往往不具有并行特征，所以速度較慢，適用于圖像的后處理部分，要應用于對實時性要求高的場合還有待改進。
2.3自適應窗口選取濾波方法
自適應窗口選取濾波方法的基本思想是根據圖像中所處理部分的局部特征來自適應地確定濾波窗口的大小或(和)形狀，以求在一個均勻區域內進行濾波操作，盡可能地保留圖像細節和抑制噪聲。文獻[7]中的HRGMF(HomogeneousRegionGrowingMeanFilter)方法是通過分裂、合并的方法來獲得濾波窗口，窗口仍限制為矩形，然后通過標準的求取均值的方法進行濾波。文獻[3]中的ASSF(Adap-tiveSpeckleSuppressionFilter)方法是通過區域生長的方法來確定濾波窗口，窗口的形狀不受限制，然后采用求均值(ASSF-MEAN)或中值(ASSF-ME-DIAN)的方法來進行濾波。這兩種方法中都采用了斑點的均值與方差之比作為判據，即定義局域均值μi，j與方差σ2i，j之比αi，j為:αi，j=σi，jμi，j(5)以αi，j為判據進行區域生長或區域的分裂與合并，這同樣是建立在對超聲圖像中斑點噪聲統計特征的分析基礎之上。使用一幅模擬超聲圖像和一幅肝的超聲圖像對HRGMF、AWMF、ASSF(MEAN&MED-IAN)三種相似的濾波方法進行的比較表明，三種方法在對斑點的抑制上表現相似(因為它們采用了同樣的斑點統計特征)，而在對細節的保留上ASSF-MEAN表現最好，AWMF與ASSF-MEDIAN相似，HRGMF較差。計算復雜度上，AWMF最小，其余的幾種相近[3]�？偟膩碚f，自適應窗口選取濾波方法的計算量比較大(尤其是加入區域生長等算法后)，因此算法的速度比較慢，同時與自適應權值調節濾波方法相似，不適于通過并行處理的方式來提高處理的速度，因此應用主要限于超聲圖像的后處理部分。但是算法復雜度的提高帶來了令人滿意的處理結果，這是自適應窗口選取濾波算法可取的一面。
2.4兩步法
這里的兩步法是指先用一噪聲探測器對整幅圖像進行探測，然后再對圖像進行去噪處理的一類方法。這類方法分為兩個主要步驟，第一步是判斷圖像中的點是否被噪聲污染過，并生成一幅二值標記圖。這一步的關鍵是選取何種標準作為判據，判斷的準確性將直接影響最終的處理結果。文獻[8]中是選取象素值本身與局域均值之差作為判斷標準，判據比較簡單;而文獻[10]中是利用局部的統計特征，引入ROM(Rank-OrderMean)作輔助，用四個閾值T1～T4來判斷是否是被噪聲污染的點，相對地更合理一些;此外還有其它的方法。第二步是濾除噪聲的過程，對第一步中測得為無污染的點，其值不變;被噪聲污染的點，采取各種方法來去除噪聲，即:g(x，y)=f(x，y)，if(h(x，y)=1);F(f(x，y)，W(x，y))，else(6)其中g(x，y)為輸出圖像，f(x，y)為輸入圖像，h(x，y)為第一步得到的二值標記圖，h(x，y)=1表示點(x，y)未被噪聲污染，F(.)為濾波函數。文獻[10]中采用二態與多態兩種方式來進行處理，用公式表示為:y(n)=F(x(n)，w(n)，s(n))≡αs(n)x(n)+βs(n)m(n)(7)其中x(n)為所取濾波窗口內除中心象素外的點(不包括中心象素是與一般方法不同的地方)，m(n)為ROM濾波器的均值，y(n)為輸出值。結果表明，該方法對噪聲污染嚴重的圖像有較好的濾波效果。文獻[9]中的噪聲濾除過程與一般的方法有所不同，它不僅利用了被處理點為中心的一個局部窗口(localwindow)，還利用了離當前點較遠的一個鄰域窗口(remotewindow)內的信息。此去噪過程是通過所有符合競爭條件的遠鄰域窗口進行競爭來完成的，競爭勝利的條件為局域窗口與競爭窗口內所有未被噪聲污染點的均方差(MSE)最小，然后用競爭獲勝窗口內的中心象素來代替被處理點。該方法同樣表現出了對噪聲污染嚴重圖像的很好的濾除能力。這類濾波方法從原理上講有其合理之處，適用于噪聲污染嚴重的圖像，在實際中也表現出了較好的濾波效果，是一種很有研究價值的方法。方法的關鍵在于如何很好地判斷是否是被噪聲污染的點，因此選取一個好的判斷依據成為需要解決的重要問題。
2.5其它濾波方法
除了上述幾種主要的濾波方法以外，還有一些其它的濾波方法也在研究之中，并表現出了一定的優越性。如三維濾波利用前后幾幅圖像中的信息來對當前圖像進行濾波，增加了濾波時的可用的信息量[11];數學形態學濾波(二值與灰度兩種方法)也可應用于超聲圖像，并有其可取的一面[12];另外還有利用神經網絡理論[13]等方法來進行濾波的研究。
3、幾種方法的應用實例及分析
為了比較幾種方法對超聲圖像的實際濾波效果，作者采用了如圖1a所示的超聲心臟原始圖像(Original)，分別采用自適應權值調節濾波方法(AWMF)、自適應窗口選取濾波方法(HRGMF)、四方向加權中值濾波方法(FWMF)、標準中值濾波(MEDIAN)、自適應權重調節加自適應窗口選取濾波方法(AWMF-HRGMF)對原圖進行濾波處理，所得結果如圖1(b)～(f)所示(領域窗口均為11×11，HRGMF中的最大窗口為15×15)。從圖中可看出，幾種自適應濾波方法對心室邊界及二尖瓣等細節信息保留較好，對心肌及心腔部分表現出較強的濾波能力，均優于一般的中值濾波方法。
4、超聲圖像濾波方法發展方向展望
超聲醫學圖像濾波方法的發展與超聲成像技術的發展密切相關。如前所述，超聲成像技術越來越受到人們的重視，一系列新的成像技術的出現，大大地提高了超聲圖像的質量，使圖像的處理工作難度降低，效果更好;大量的自適應濾波算法的研究，以及其它與超聲成像相關的技術的研究又大大促進了超聲醫學圖像的發展及應用。超聲醫學圖像的濾波算法應該是朝著自適應、并行、快速、高效的方向發展，這有待于對超聲圖像特征的更進一步的分析和對濾波算法的深入研究。
【超聲醫學圖像濾波算法探究】相關文章：
醫學圖像領域中數字圖像處理的應用論文04-19
碩士畢業論文醫學超聲斑點的分布分析及去噪08-22
人類理性對秩序的探究05-04
談地理圖像投影導學法08-21
隱私權及其探究06-03
探究網絡經濟特征05-30
數據關聯算法綜述及其性能評估05-05
XX公司XX員工培訓探究05-12
創設學習情景 促進科學探究05-13