超声医学图像滤波算法探究

前言：本站为你精心整理了超声医学图像滤波算法探究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

1超声图像

超声医学成像与其它医学成像方法相比,具有对人体无损害、能够实时显示器官或组织运动情况等特点。近年来,超声医学成像技术得到了迅猛的发展,彩色多普勒成像(CDI,ColorDopplerImagi-ng)、组织多普勒成像(TDI,TissueDopplerImaging)、组织谐波成像(THI,TissueHarmonicImaging)、闪烁回声成像(FEI,FlashEchoImaging)、造影剂成像等一系列新技术接连出现并应用于临床,带动和促进了超声相关领域的研究和发展。由于成像机制的限制,图像质量相对较差一直是超声图像主要的缺点,特别是由于所成像器官或组织结构上的不均匀性,一些微小的结构不能为超声所分辨,加上声波信号的干涉现象,在超声图像中形成了特有的斑点(Speckle),它大大降低了超声图像的质量,也使得对图像细节的识别与分析更加困难。随着食道超声成像技术(TEE)与心内超声成像技术(ICE)等新技术的出现,图像的质量有了很大的提高,但是相对于后期的图像分析、多维重建等工作的要求而言,图像的质量仍有较大的差距,所以必须进行滤波去噪等处理。

由于超声图像的上述特点,超声图像滤波算法的研究工作主要集中于对其斑点的抑制上。研究表明,超声图像中的原始斑点信号具有瑞利(Rayleigh)分布特征(X～R(u)),其均值(E(X))与标准偏差(σ)成比例,可视为一种与图像信号无关的乘法噪声,而经信号处理后的斑点信号统计特性被改变,其均值与方差(σ2)成比例[1～3]。对超声图像滤波工作的一般要求,是要在有效抑制斑点的同时,很好地保留图像中对后期的分析和诊断有用的细节信息。对于超声图像中的一些微小的结构信息,如器官之间高亮度的界面(如肝与膈)、与斑点尺度相近的微小结构(如小的血管)、灰度相近区域的边界等,必须在滤波时很好地保留,所以超声图像的滤波有其特殊性,是一项要求较高的工作。如何在对斑点充分抑制的同时很好地保留图像的细节,是滤波算法首先考虑的问题。传统的线性滤波方法不能满足超声图像滤波的要求,近年来发展了多种非线性自适应滤波方法(NonlinearAdaptiveFiltering),出现了一些新的发展方向,下面将分别加以介绍和分析。

2几种主要的滤波方法

传统的滤波方法[4]可以概括为:对图像中的每一个点f(x,y),取一个以该点为中心的小窗口(通常为矩形窗口)W(x,y),然后对窗口内的每一点赋予一定的权值,最终的输出g(x,y)为窗口内各点的某种加权平均。即:g(x,y)=F(f,(x,y),W(x,y))(1)其实质是根据所取窗口内的信息确定一个新值来取代原值,以使它符合某种预定义的规则。滤波方法的改进主要集中在以下几个方面:(1)从几个主要方向上对图像进行处理,再对结果加以综合,以保留图像的方向信息;(2)在空间上根据局部特征自适应地调节滤波器的权值;(3)采用区域生长等方法自适应地调整滤波窗口的大小和形状;(4)采用先对噪声进行检测再根据检测结果对图像进行滤波;(5)一些其它的方面。

2.1多方位滤波方法

这类方法的基本思想是:用某种滤波方法沿几个主要方向(通常为0°,45°,90°,135°四个方向)对图像进行滤波,得到几幅子图像,然后对这些子图像进行加权组合,以得到最后的输出图像。文献[5]中采用低通滤波方法(时域或频域)对上述四个方向进行处理,得到四幅子图像,然后计算它们与原图像的差异,根据这些差异来确定其加权组合的权值,由此得到输出图像。根据同样的道理,还可以再次应用高通滤波方法对输出图像作增强处理以进一步提高图像的质量。低通滤波方法处理时的公式如下:x10=1dk1xl1+1dk2x12+1dk3x13+1dk4x141dk1+1dk2+1dk3+1dk4(2)其中,xl0为输出值,xli为某方向的低通滤波得到子图像的结果,di为第i幅子图像与原图像的差异,k为一可调的常数。高通增强方法的公式与此相似。

该方法思想简单,滤波效果较好,而且结构上高度并行化,特别适合于多处理器系统,以实现图像的实时处理。文献[6]中的算法有所不同,作者称之为“全方位多尺度形态滤波”,其方法可描述为:在(2N+1)(2N+1)窗口内取4N个方位的结构元,然后采用形态学的闭运算加权组合与开运算加权组合,得到最终结果(图略)。该方法能较好地抑制图像中的盐椒噪声,但其组合的加权系数选取较为简单,还有待改进。这类方法的共同特点是算法的高度并行化,因此可用硬件来高速实现[5],适用于对实时性要求较高的场合。但其基于几个方向的较简单的出发思想也限制了其对图像中复杂细节(医学图像中很重要的部分)的保留能力。

2.2自适应权值调节滤波方法

自适应权值调节滤波方法的主要思想,是认为对整幅图像采用同一固定的滤波器来进行滤波不能反映和保留图像的细节信息,因此应该根据图像的局部信息来自适应地调节滤波器,以更好地滤除噪声和保留图像中重要的细节信息。这类方法中以自适应中值滤波(AMF,AdaptiveMedianFilter)为代表,如文献[2]中提出的自适应权重调节中值滤波(AWMF,AdaptiveWeightedMedianFilter)。AWMF是建立在对超声图像中斑点统计特性的分析基础之上,采用均值与方差之比作为调节权值的根据,自适应地调节中值滤波器中各点的权值。首先根据斑点的统计特性建立下述噪声模型:y=x+x12n(3)其中y为实测信号,x为无噪声时的信号,n为噪声。在此模型基础之上,得到自适应权值调节中值滤波的公式:w(i,j)=[w(K+1,K+1)-cdσ2/m](4)其中,c为调节因子,m、σ2分别为均值和方差,d为点(i,j)与窗口w(K+1,K+1)中心点的距离,方括号[]为取整运算符。实验结果表明,该方法能够有效地抑制超声图像中的斑点噪声,同时能够较好地保留图像中对后期诊断有用的解剖结构信息,是一种针对超声图像比较有效的自适应滤波方法。由于自适应权值调节滤波算法是根据图像的局部信息来自适应地调节滤波参数,因此在对图像细节保留上表现较好,如果算法采用的局部特征有很好的代表性(现多采用图像局部的统计特征),则能较好地满足超声图像滤波的要求。自适应滤波算法涉及到计算量比较大,而算法往往不具有并行特征,所以速度较慢,适用于图像的后处理部分,要应用于对实时性要求高的场合还有待改进。

2.3自适应窗口选取滤波方法

自适应窗口选取滤波方法的基本思想是根据图像中所处理部分的局部特征来自适应地确定滤波窗口的大小或(和)形状,以求在一个均匀区域内进行滤波操作,尽可能地保留图像细节和抑制噪声。文献[7]中的HRGMF(HomogeneousRegionGrowingMeanFilter)方法是通过分裂、合并的方法来获得滤波窗口,窗口仍限制为矩形,然后通过标准的求取均值的方法进行滤波。文献[3]中的ASSF(Adap-tiveSpeckleSuppressionFilter)方法是通过区域生长的方法来确定滤波窗口,窗口的形状不受限制,然后采用求均值(ASSF-MEAN)或中值(ASSF-ME-DIAN)的方法来进行滤波。这两种方法中都采用了斑点的均值与方差之比作为判据,即定义局域均值μi,j与方差σ2i,j之比αi,j为:αi,j=σi,jμi,j(5)以αi,j为判据进行区域生长或区域的分裂与合并,这同样是建立在对超声图像中斑点噪声统计特征的分析基础之上。使用一幅模拟超声图像和一幅肝的超声图像对HRGMF、AWMF、ASSF(MEAN&MED-IAN)三种相似的滤波方法进行的比较表明,三种方法在对斑点的抑制上表现相似(因为它们采用了同样的斑点统计特征),而在对细节的保留上ASSF-MEAN表现最好,AWMF与ASSF-MEDIAN相似,HRGMF较差。计算复杂度上,AWMF最小,其余的几种相近[3]。总的来说,自适应窗口选取滤波方法的计算量比较大(尤其是加入区域生长等算法后),因此算法的速度比较慢,同时与自适应权值调节滤波方法相似,不适于通过并行处理的方式来提高处理的速度,因此应用主要限于超声图像的后处理部分。但是算法复杂度的提高带来了令人满意的处理结果,这是自适应窗口选取滤波算法可取的一面。

2.4两步法

这里的两步法是指先用一噪声探测器对整幅图像进行探测,然后再对图像进行去噪处理的一类方法。这类方法分为两个主要步骤,第一步是判断图像中的点是否被噪声污染过,并生成一幅二值标记图。这一步的关键是选取何种标准作为判据,判断的准确性将直接影响最终的处理结果。文献[8]中是选取象素值本身与局域均值之差作为判断标准,判据比较简单;而文献[10]中是利用局部的统计特征,引入ROM(Rank-OrderMean)作辅助,用四个阈值T1～T4来判断是否是被噪声污染的点,相对地更合理一些;此外还有其它的方法。第二步是滤除噪声的过程,对第一步中测得为无污染的点,其值不变;被噪声污染的点,采取各种方法来去除噪声,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)为输出图像,f(x,y)为输入图像,h(x,y)为第一步得到的二值标记图,h(x,y)=1表示点(x,y)未被噪声污染,F(.)为滤波函数。文献[10]中采用二态与多态两种方式来进行处理,用公式表示为:y(n)=F(x(n),w(n),s(n))≡αs(n)x(n)+βs(n)m(n)(7)其中x(n)为所取滤波窗口内除中心象素外的点(不包括中心象素是与一般方法不同的地方),m(n)为ROM滤波器的均值,y(n)为输出值。结果表明,该方法对噪声污染严重的图像有较好的滤波效果。文献[9]中的噪声滤除过程与一般的方法有所不同,它不仅利用了被处理点为中心的一个局部窗口(localwindow),还利用了离当前点较远的一个邻域窗口(remotewindow)内的信息。此去噪过程是通过所有符合竞争条件的远邻域窗口进行竞争来完成的,竞争胜利的条件为局域窗口与竞争窗口内所有未被噪声污染点的均方差(MSE)最小,然后用竞争获胜窗口内的中心象素来代替被处理点。该方法同样表现出了对噪声污染严重图像的很好的滤除能力。这类滤波方法从原理上讲有其合理之处,适用于噪声污染严重的图像,在实际中也表现出了较好的滤波效果,是一种很有研究价值的方法。方法的关键在于如何很好地判断是否是被噪声污染的点,因此选取一个好的判断依据成为需要解决的重要问题。

2.5其它滤波方法

除了上述几种主要的滤波方法以外,还有一些其它的滤波方法也在研究之中,并表现出了一定的优越性。如三维滤波利用前后几幅图像中的信息来对当前图像进行滤波,增加了滤波时的可用的信息量[11];数学形态学滤波(二值与灰度两种方法)也可应用于超声图像,并有其可取的一面[12];另外还有利用神经网络理论[13]等方法来进行滤波的研究。

3几种方法的应用实例及分析

为了比较几种方法对超声图像的实际滤波效果,作者采用了如图1a所示的超声心脏原始图像(Original),分别采用自适应权值调节滤波方法(AWMF)、自适应窗口选取滤波方法(HRGMF)、四方向加权中值滤波方法(FWMF)、标准中值滤波(MEDIAN)、自适应权重调节加自适应窗口选取滤波方法(AWMF-HRGMF)对原图进行滤波处理,所得结果如图1(b)～(f)所示(领域窗口均为11×11,HRGMF中的最大窗口为15×15)。从图中可看出,几种自适应滤波方法对心室边界及二尖瓣等细节信息保留较好,对心肌及心腔部分表现出较强的滤波能力,均优于一般的中值滤波方法。

4超声图像滤波方法发展方向展望

超声医学图像滤波方法的发展与超声成像技术的发展密切相关。如前所述,超声成像技术越来越受到人们的重视,一系列新的成像技术的出现,大大地提高了超声图像的质量,使图像的处理工作难度降低,效果更好;大量的自适应滤波算法的研究,以及其它与超声成像相关的技术的研究又大大促进了超声医学图像的发展及应用。超声医学图像的滤波算法应该是朝着自适应、并行、快速、高效的方向发展,这有待于对超声图像特征的更进一步的分析和对滤波算法的深入研究。