超声图像研究去噪法

合集下载

应用ROF模型的医学超声图像去噪方法

Ｋｅｒｓｐｃｌｏｓ；ｒｍｅｃｒｅａｉｎ；ｏａｈｓｈｒｎｅＧＰＣ）ＲＯＦｍｏｅ；ｄｐｉｅｗａｅｅｈｅｈｌｙｗｏｄ：ｓｅｋｅｎｉｅｆａｏｒｌｔＧｌｂ１ＰａｅＣｏｅｅｃ（ｏ；ｄＩａａｔｖｌｔｔｒｓｏｄｖ
Ｅｍａ：ｉｇｎ＠ｆｘｉｃｒ－ｉｌｊｎａｇｏｍａｌｏｌｉａ．ｎＭＡＪａｃｅ，ＩＪａ－ａｇＳＮＭｉｇｊｎ－ｏｓｇｍｅｈｄｆｒｍｅｉａｕｔａｏｉｉｇｓｎｉ－ｈｎＬｉｎｇｎ，Ｕｎ－ａ．ｎｉｎｔｏｏｄｃｌｌｓｎｃｍａｅｕｉｇＲＯＦｍｏｅ．ｍｐｔｉＤｅｉｒｄ１Ｃｏｕ・
１引言
医学超声成像具有成本低、时性好、实无损伤、使用方便等优点，医学诊断领域获得了广泛应用。但医学超声图像在
中往往存在一些直观的噪声，现为图像中出现斑点、表细粒、
ｓｌｅｔｉｒｂｅ，ｉｐｐｒｐｅｅｔｅｄ — ｏｓｎｔｏｏｄｃｌｕｔａｏｉｍａｅｂｓｄｏｏｖｈｓｐｏｌｍｔｓａｅｒｓｎｓａｎｗｅｎｉｇｍｅｈｄｆｒｍｅｉａｌｓｎｃｉｇａｅｎＲＯＦｍｏｅｎｄｐｈｉｒｄｌａｄａａ — ｔｅｉｗａｅｅｔｒｓｏｄｅｎｉｉｇｖｖｌｔｈｅｈｌｄ — ｏｓｎｍｅｈｄＩａｄｔｎｏｎｉｉｎｔｅｐｃｌｎｉｓｎｈｍｅｉａｕｔａｏｉｉｇ，ｈｓｔｏ．ｎｄｉｏｔｉｈｂｔｇｈｓｅｋｅｏｓｉｔｅｉｉｅｄｃｌｌｓｎｃｍａｅｔｉｒｍｅｈｄｃｎｒｔｉｎｖｎｅｈｎｅｔｅｉａｅｄｔｉｉｆｒａｉｎａｔｏａｅａｎａｄｅｅｎａｃｈｍｇｅａｌｎｏｍｔｓｍｕｈａｏｓｂｅｏｃｓｐｓｉｌ．

基于广义Nakagami分布的医学超声图像去斑点噪声算法

ｒｈｂｓｄｏｅｌｃｌｓｔｔａｒｐ￣ｆｗｖｌｔｃｅｆｉｎｓｉｒａｉｅｏｄｃｌｌａｏｎｎｔａｔｉｉｌｐｏｅｙｏａｅｅｏｆｃｅｔｓｅｚｄｆｒｍｅｉａｔｓｕｄｉｇｓｐｃｆａｌｔｈｏａｓｃｉｌｕｒｉｙ，
ｔａｅｅｃｅｉｅｔｏｐｃｌａｄｓｎｌａｅｍｏｅｄｂｗ — ｄｄＧｎｒｌｅａａａｉｒｕｏＧＤ）ａｄｈｗｖｌｏｆｃｎｆｓｅｋｅｎｉａｒｅｔｉｓｇｄｌｙｔｏｓｅｅｅａｚｄＮｋｇｍｉｓｉｔｎ（ＮｅｉｉＤｔｂｉｎ
ＮａｇｍｉＤｉｔｉｕｔｏｏｅｉａｔａｏｄＩａｅｋａａｓｒｂｉｎｆｒＭｄｃｌＵｌｒｓｕｎｍｇｓ
Ｈｏｉｎｕ，Ｚｈｈｑｎ，ＣｅｈｏｏｕＪａｈａｕＳｕｉｈｎＳａｂ（ｏｅｅｏｌｔｎｃｎｆｒｔｎＥｇｅｒｇｏｔ－ｅｔｌｎｅｓｙｆａｏｌｉｓＷｕａ３０４ｈａＣｌｇｆｅｒｉａｄＩｏｍａｏｎｉｅｎ，ＳｕＣｎａＵｉｒｔｏＮｔｎｔ，ｈ４０７，Ｃｉ）ｌＥｃｏｓｎｉｎｉｈｒｖｉｒｉｉｅｎｎ
Ｖ０．ＯＮｏ２】３．
Ｊｎ２ｌｕ．Ｏ１
基于广义Ｎｋｇｍ分布的医学超声ａａａｉ图像去斑点噪声算法
侯建华，朱淑琴，陈少波
（中南民族大学电子信息工程学院，武汉４０７）３０４
摘
要

生物医学成像技术研究——超声图像处理与分析

生物医学成像技术研究——超声图像处理与分析绪论近年来，生物医学成像技术在医学诊断和治疗方面发挥重要作用。

超声图像作为体内无创检测技术，被广泛应用在肿瘤、血管病、妇科病和胎儿检测等领域。

但是，目前的超声图像质量受多方面因素限制，如信噪比、分辨率等。

因此，对超声图像的处理和分析变得至关重要。

本文将围绕超声图像处理与分析展开讨论，包括超声图像预处理、图像分割、特征提取、分类识别等方面，并介绍当前研究中的一些应用实例。

超声图像预处理超声图像是由反射和散射而成像的，具有噪声和伪影。

因此，预处理步骤是超声图像分析的关键步骤。

超声图像预处理包括增强、去噪和伪影滤除等。

其中，基于小波变换的去噪方法可以克服高斯噪声对超声图像的影响，并将超声图像的对比度增强。

伪影滤除是超声图像预处理的关键步骤，例如，常用的多普勒滤波可以清除光栅伪影。

图像分割图像分割是将图像分成不同区域的过程，有助于区分不同的组织结构。

对于超声图像，常使用的分割技术包括阈值法、基于边缘的方法和基于区域的方法等。

其中，基于区域的方法包括基于区域生长的算法和基于聚类的算法。

基于区域生长的算法可以将同一组织结构区域分成不同的区块，以得到更小的区块，并提高分割精度。

基于聚类的算法将图像中的像素划分为多个簇，并将相似的像素划分为同一个簇，从而获得更准确的分割结果。

特征提取特征提取是将图像中的信息提取出来，用简洁的向量表示，以便对图像进行分类和识别。

对于超声图像，常用的特征提取包括灰度共生矩阵(GLCM)、灰度值直方图、小波变换和形态学特征等。

其中，GLCM是一种用于描述灰度图像纹理特征的统计方法，可以用于分类肿瘤和正常组织。

灰度值直方图可以描述超声图像的灰度分布特征，从而用于肿瘤分割和识别。

小波变换可以分解超声图像的高频和低频信息，并以较高的准确性提取肿瘤的边界信息。

形态学特征可以提取超声图像的形状和边缘特征，从而用于分类和识别。

分类识别分类识别是将经过预处理、分割和特征提取的超声图像进行分类的过程。

基于支持向量回归模型的医学超声图像去噪研究

２．２ＳＶＭ模型应用
Ｌ（ｗ，ｂ，）＝ ÷ （ｗ・ｗ）一 ∑ａｉｌＹ，（ｗ・ ‘ ＋６）一ｌｌ
ｌｙ－／（）Ｉ＝ｍａｘ０，ｌｙ－Ｗ（）ｌ一｝
ｍａｘ（ｑ ‘ ）＝一｛ ∑Ｚ（ａ， ’ ）（，一ａ， ‘ ）（（）
图１单脉冲信号源利用超声单脉冲信号作为ＳＶＭ模型的数据源，应用Ｍａｔｌａｂ程序将函数输人计算机程序中运行，等到数据的散点分布情况。从图中可以看出图像分割后的视觉效果，可以发现噪点距离中心线偏离程度显著，能够达到去噪的目的。
００＝ｆ（ｎｅｔｋ；，）＝Ｊ１＋ｅｘｐ（一ｎｅｔ＋）ｌ
式中：Ｗ．为输入层第ｉ节点和隐含层第ｋ节点的连接权；为隐含层第ｉ节点的阈值。所有学习样本对权值进行修正，通常为增加学习过程的稳定性，用下式对权值进行修正：
其中超声成像固有的时效性、廉价性及无损性等优点被广泛应用于临床诊断与治疗中，超声成像技术利用声波实现直接观察和物质结构和特性研究，它具有对离体生物组织成像和对活体组织进行实时成像的两个特点，是医学研究的重要手段。然而，超声图像存在的斑点噪声增加了图像解译程度，影响了图像分析与诊断，决定了医学分析的可靠性与准确性，增加了判断分析的难度。因此对超声图像的去噪研究成为当今医学界研究的热点。本次研究引入支持向量学习理论，通过含斑图像做对数变换和分解，构建基于支持向量回归模型的局部自适应去斑算法，最终达到图像去噪的目的，以期对医疗诊断提供科学的可靠性保障，推动医学科研工作的进一步发展。

基于K均值聚类NL-MEANS算法的超声图像去噪

２０１４年３月第３５卷第３期
计算机工程Leabharlann 与设计ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ
Ｍａｒ．２０１４
ＶｏＩ．３５Ｎｏ．３
基于Ｋ均值聚类ＮＬ—ＭＥＡＮＳ算法的超声图像去噪
乔子良，杜慧敏（西安邮电大学研究生学院，陕西西安７１００６１）
ａｎａｌｙｚｅｄ，ａｎｄａｎｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍ－ＮＬ
— —
ＭＥＡＮＳｄｅｎｏｉｓｉｎｇａｌｇｏｒｉｔｈｍｉｓ
ＭＥＡＮＳａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｋ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｂｙｉｎｔｒｏｄｕｃｉｎｇｔｈｅｉｄｅａ
（ＳｅｈｏｏｌｏｆＧｒａｄｉｅｎｔ，Ｘｉ ’ ａｎＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｘｉ ’ ａｎ７１００６１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ．ＡｃｃｏｒｄｉｎｇｔＯｓｕｐｐｒｅｓｓｓｐｅｃｋｌｅｎｏｉｓｅｉｎｕｌｔｒａｓｏｕｎｄｉｍａｇｅｓｐｒｏｂｌｅｍ，ｔｈｅｃｌａｓｓｉｃＮＬ

医学图像处理中的超声图像识别与分割研究

医学图像处理中的超声图像识别与分割研究超声图像识别与分割是医学图像处理中的重要研究领域，它在临床上具有广泛的应用。

超声图像作为一种无创、实时、低剂量的诊断工具，具有成本低、使用方便等优势，被广泛应用于医学影像领域，如妇科、心脏病、肿瘤检测等。

超声图像的识别与分割研究的目的在于提取图像中的特定目标或结构，为医生提供更清晰的图像信息，辅助医生诊断疾病。

下面将从超声图像的预处理、特征提取、图像分割和图像识别等方面进行详细介绍。

首先，超声图像的预处理是图像分析的基础工作。

由于超声图像本身存在一些噪声和伪影，因此需要进行去噪和增强处理。

常用的去噪方法包括中值滤波、高斯滤波和小波去噪等。

增强方法可以利用直方图均衡化、对比度增强和维纳滤波等技术来提高图像的质量。

其次，特征提取是超声图像识别与分割的关键步骤。

超声图像中的特征可以分为灰度特征和纹理特征两类。

灰度特征包括直方图、均值和方差等，主要用于描述图像的亮度和对比度。

纹理特征用于描述图像的细节信息，常用的纹理特征包括灰度共生矩阵（GLCM）、灰度差值矩阵（GLDM）和灰度值对比矩阵（GLCM）等。

然后，图像分割是超声图像处理中的重要步骤，目的是将图像中的特定目标与背景分离。

常用的图像分割方法包括阈值分割、边缘检测和区域生长等。

阈值分割根据图像的灰度值进行像素分类；边缘检测根据图像的边缘进行像素分类；区域生长通过选定种子点并根据预设的生长准则将相邻像素进行分类。

最后，图像识别是超声图像处理的最终目标，通过识别图像中的特定结构或目标，提供辅助医生进行医学诊断。

图像识别方法可以基于机器学习算法或深度学习算法。

常用的机器学习算法包括支持向量机（SVM）、决策树和随机森林等；深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）和深度信念网络（DBN）等。

综上所述，超声图像识别与分割在医学图像处理领域具有重要的应用价值。

通过超声图像的预处理、特征提取、图像分割和图像识别等步骤，可以为医生提供更准确的图像信息，辅助医学诊断和治疗。

基于极坐标和蒙特卡罗估计的超声图像去噪方法

Ｕｌｔｒａｓｏｕｎｄｉｍａｇｅｄｅｓｐｅｃｋｌｉｎｇｕｓｉｎｇｐｏｌａｒｃｏｏｒｄｉｎａｔｅ
ｓｙｓｔｅｍａｎｄＭｏｎｔｅＣａｒｌｏａｐｐｒｏａｃｈ
ｎｏｉｓｅｌｉｋｅｌｉｈｏｏｄ— ｗｅｉｇｈｔｅｄｅｓｔｉｍａｔｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｐｒｅｓｅｎｔｅｄａｌｇｏｉｔｒｈｍｃａｎｂｅｔｔｅｒｒｅｍｏｖｅｓｐｅｃｋｌｅ
ＣＵＩＪｉａ — ｌｉａｎｇ，ＣＨＥＮＢｏ，ＹＡＮＧＪｉｎ．ＧＡＯＸｉａｏ．ｍｉｎｇ
（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｃｅ＆Ｔｎｅｃｈｎｏｌｏｇｙ，ＭｉａｎｙａｎｇＳｉｃｈｕａｎ６２１０１０，Ｃｈｉｎａ）
中图分类号：ＴＰ３９１．４１文献标志码：Ａ文章编号：１００１ — ３６９５（２０１３）１１ — ３５０３－０３
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１３．１０．０７８
第３０卷第１１期

基于Sobel-TV模型的超声测井图像去噪算法研究

Ｕｔｖ
（）３
式中， “ 为能量函数；Ｅ（）Ｕ∈ Ｌ（Ｒ，）并且有Ｌｐｃｉ连续的边界；。∈ Ｌ（为带噪声的观测图；ｉｓｈｔｚ甜）
（）一
表示图像 “的梯度。
㈩
ｌ（，）Ｕ甜，ｏ一ｏ
余春昊，倪路桥，李剑．（中国石油集团测井有限公司，陕西西安７ｏｏ）１ｏｚ
［要］传统的Ｔ模型对小尺度细节和噪声的图形去噪有很好的效果，但对纹理丰富和边界细小的图像摘Ｖ会造成细节的丢失。根据超声测井图像的要求，提出了一种基于ｓｂｌｏｅＴＶ模型的去噪方法。该方法在 — ＴＶ去噪模型的基础上引入Ｓｂｌ子来控制平滑程度，既提高图像的去噪效果，又保护图像的重要细ｏｅ算节。处理结果表明，该方法能够有效地去除超声测井图像的噪声，保护了图像的边缘和细节，明显地改善了图像的视觉效果，算法简单、实用，对超声测井图像的后期处理具有较高的实用价值。
“ ｎ— Ｕ＋（）２
由噪声图像。来恢复原始图像的图像去噪的ＴＶ模型为］：
ｍｎ（）ｌＩ “Ｉｘｙ “ ０ｄｄｉ “ 一ｄ＋ＡｅｄＩ（一“）ｘｙ
ｌＵｌ示图像Ｕ的梯度的模；表 ∈ Ｒ为尺度参数。ＥｌｒＩｇａｇ对应的离散化时问域上的方程为：ｕｅ— ａｒｎｅ

基于空洞卷积神经网络的医学超声图像去噪

现代电子技术Modern Electronics Technique2023年7月1日第46卷第13期Jul.2023Vol.46No.130引言超声因为其具有无创、低成本、高效性、便利、实时性等成像特点而被广泛应用于医学领域。

医学超声逐渐成为医院里病症诊断最重要的工具之一，超声检测已成为一种常规检测。

超声成像技术在临床的应用中呈现出越来越重要的地位，特别是在孕妇胎儿生长的观察和腹部器官病变的诊断方面。

然而，超声图像中存在散斑，它以颗粒结构的形式叠加在图像上，导致图像对比度降低，严重影响图像质量。

因此，它给临床诊断和后续的处理带来了一定的困难。

散斑在超声波、激光、声呐、合成孔径雷达图像[1]中非常常见，是在超声检测中减少病变对比度的主要限制之一，它可以被认为是超声检测中主要的噪声源，确实应该降低。

因此，散斑去噪具有重要的应用研究意义。

医学超声设备通过探头[2]将一个低频（3~30MHz ）的超声脉冲传输到患者体内，在组织间界面反射的脉冲被转换为电信号，探头同时可以获得超声波图像。

但在转换过程中，散斑噪声是一种通过散射[3]对传感器产生随机干扰的小粒子。

由于脉冲的随机相位长度和破坏基于空洞卷积神经网络的医学超声图像去噪邵党国1，朱彧麟1，马磊1，徐慧2（1.昆明理工大学信息工程与自动化学院，云南昆明650500；2.昆明医科大学第一附属医院，云南昆明650000）摘要：散斑严重影响医学超声图像的质量，从而导致临床诊断和图像处理困难。

为解决上述问题，提出一种基于空洞卷积神经网络的散斑减小方法。

不同于其他的散斑抑制方法，文中通过建立超声图像和散斑图像之间的非线性映射，同时结合跳跃连接使网络不会发生梯度爆炸或消失，从而具有较好的反向传播能力。

该方法可以通过超声图像预测散斑，再由超声图像与预测的散斑图像相减从而得到干净的超声图像。

该方法相较于散斑减少各向异性扩散（SRAD ）和细节保持各向异性扩散（DPAD ），具有更好的散斑减少和结构保存性能，在对比的量化数据上提升巨大。

超声图像降噪有效方法

去噪方法
5.多尺度几何分析（信号的时域与频域）小波阈值降噪法（一维上）
它利用图像小波分解（高频系数+低频系数分解）后,各个子图像在小波变换的不同尺度下，根据该尺度下的噪声含量选取该阈值,对图像的细节加以分辨。
其处理方法有两种: ①将小于某一阈值的小波系数以0代替并将大于阈值的值减去阈值作为新的小波系数值，这就是所谓的软阈值； ②直接将小于阈值的小波系数用0代替，而大于阈值的不作处理，就是硬阈值。然后用经过处理后的小波系数重建图像,便得到经过滤除噪声后的图像。
一般在小尺度上，采用软阈值方法降噪。这是因为噪声集中在小尺度上，而采用软阈值可以使其收缩，使其在重建图像里所占的比例减小，这样最大限度的减小了噪声的影响。反之在大尺度上，由于噪声的成分相对较小，所以大于阈值的小波系数可以保留不变，这样图像的特征就不会因为小波压缩而被消弱。
高维情况下，小波分析不能充分利用几何特征——多尺度几何分析致力于寻找一种高维函数的最佳表达方法：瘠波变换，曲波变换，ridgelet变换，contourlet变换等
1.非线性中值滤波多数线性滤波是低通滤波,在去除噪声的同时也使图像的边缘变的模糊,丢失了有用信息,而中值滤波是一种非
线性滤波，它可以去除图像中的脉冲噪声和椒盐噪声。中值滤波的基本技术思路是对窗口内的所有像素灰度进行排序，取排序结果的中值作为原窗口中心点处像素的灰度——消除孤立的噪点，模糊边缘信息 2.自适应滤波法
University of Shanghai for Science and Technology
综合方法例子
解决医学图像散斑噪声的重要发展方向结合自适应处理和小波软阈值的方法：自适应为前处理分离成两部分，分别小波处理。自适应前处理后，

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Erez, Schechner & Adam , Proc. DAGM 2006
11
Attenuation
probe
a object
r
distance
Erez, Schechner & Adam , Proc. DAGM 2006
15
Speckle Noise
Low acoustic freq
High acoustic freq
in tissue
9
Image Formation
Probe
Sector
Radial axis
Sweeping beam
Lateral axis
Erez, Schechner & Adam , Proc. DAGM 2006
Lateral PSF
D
10
D
Low acoustic freq
High acoustic freq
Low acoustic freq
5 6 7 8 9 10 11
High acoustic freq
Erez, Schechner & Adam , Proc. DAGM 2006
Radial distance [cm]
25
Stochastic Freq. Compounding
5
Arithmetic mean
23
Best Linear Unbiased Estimator
Considering noise statistics
Erez, Schechner & Adam , Proc. DAGM 2006
Radial distance [cm]
24
Input: Dual Acoustic Frequency
6ቤተ መጻሕፍቲ ባይዱ
7
8
9
10
11
Stochastic reconstruction
Erez, Schechner & Adam , Proc. DAGM 2006
Model
… … …
Erez, Schechner & Adam , Proc. DAGM 2006
correlated noise !!!
y = Hx
22
+n
… … …
Stochastic Reconstruction
Erez, Schechner & Adam , Proc. DAGM 2006
Speckle Noise
PSF
D
17
D
Depends on:
• Radial distance • Acoustic frequency
Low acoustic freq
High acoustic freq
Erez, Schechner & Adam , Proc. DAGM 2006
18
Measuring Noise Statistics
Time gain compensation
Envelope detection
Dynamic range compression
20
Speckle Noise
=
log operation Iinear noise
Erez, Schechner & Adam , Proc. DAGM 2006
21
1
Ultrasound Image Denoising
by Spatially Varying Frequency Compounding
Yael Erez , Yoav Y. Schechner , and Dan Adam
Dept. Elect. Eng. Technion – Israel Institute of Technology
7
Ultrasound Problems
Blurring
Speckle noise
Attenuatio n
Radial axis
Transmitter Receiver
System noise
Erez, Schechner & Adam , Proc. DAGM 2006
Lateral axis
Previous Work
70s Wiener filter Space invariant
80s Compounding (fNreoqtuuesnincyg &nosipseatsiatal)tistics
86 89 90 95 Late 90s
Weighted median filter (Mcdicken et al.) Local freSqmuoeontchyindgiversity (Forsberg et al.) AnisotroNpoict hdaifnfudsliinogn (aPtetreonnauaantdioMnalik) Non-linear Gaussian filters (Aurich)
Erez, Schechner & Adam , Proc. DAGM 2006
Wave phenomenon
16
Object
Object blur: Wave interference
as if no interference
Erez, Schechner & Adam , Proc. DAGM 2006
HarmoLnoicwimsiaggnianlg
01,04 Wavelets (Insana et al, Loi et al.)
8
Image Formation
probe
Received signal
Erez, Schechner & Adam , Proc. DAGM 2006
Velocity of acoustic wave
1 0.8 White noise 0.6 0.4 0.2
0
r = 7cm
r = 11cm r = 15cm
-2
-1
0
1
2
Radial lag (mm)
Erez, Schechner & Adam , Proc. DAGM 2006
19
Standard Pre-Processing
RF line
Sampling