醫學超聲實時成像中周期性偽影的抑制①

程東耀,尹 皓,劉東權

(四川大學 計算機學院,成都 610065)

隨著醫療科技不斷的發展和進步,超聲圖像診斷是一項重要的醫學圖像診斷手段,由于超聲成像的圖像質量較差,需要采用相對應的方法來對超聲圖像進行增強[1],當前,超聲成像技術在臨床醫學診斷方面應用的越來越廣泛,超聲成像技術作為一種非侵入性,對人體無害的病理檢測技術[2],一直受到國內外相關科學研究人員的關注.超聲診斷通過超聲儀向人體發射超聲波,并通過不斷的掃描來對不同的人體組織進行探測,當探頭接收到由人體組織和器官反射回來的超聲信號后,再通過放大信號以及一系列信息的處理,最終形成人體組織器官的超聲實時成像,三維成像可以提供直觀的立體圖像信息,在心肌損傷定位,胸腹部腫瘤的檢測等方面有著重要的作用[3].由于超聲探頭的材質例如超聲陶瓷換能器制造的局限性以及為了降低成本和提高幀速率,而采用的低通道掃描方案,往往會使原始的超聲成像包含束狀條紋偽影,這些偽影往往會掩蓋人體的組織信息,從而引起醫生錯誤的診斷.常規的偽影抑制方法都是在空間域來進行的,對于周期性偽影難以實現最佳的去除效果.目前,隨著醫學超聲圖像處理技術不斷地成熟,具體的研究方向包括降噪,分割,壓縮等圖像處理技術,還包括超聲圖像采集技術[2].本研究提出了一種基于圖像的頻率域的偽影抑制算法,根據大量的實驗結果進行定性的分析及定量的MSE和SNR 來驗證該算法的準確性,其結果對超聲成像的周期性偽影有著顯著的抑制效果,進而幫助醫生得到更清晰的超聲成像,以提高醫生的診斷效率和效果.

1 超聲圖像通用偽影抑制介紹

在傳統的超聲圖像處理領域,圖像噪聲抑制是數字圖像處理中的重要環節和步驟,去噪效果的好壞直接影響后續圖像處理的相關工作.通常,抑制偽影的算法分為兩大類,第一類是基于空間域濾波的圖像噪聲抑制算法,第二類是基于頻率域濾波的圖像噪聲抑制算法,本研究將列出一些常用的空間域濾波去噪算法以及接下來將使用的頻率域偽影抑制算法的設計思想,并通過對比空間域偽影抑制算法和頻率域偽影抑制算法的優缺點及采用空間域濾波算法的局限性,詳細闡述本研究使用基于頻率域的超聲實時成像的周期性偽影抑制算法的原因.

1.1 空間域偽影抑制

圖像空間域偽影抑制常常使用的是平滑處理,平滑主要利用卷積運算對圖像鄰域的像素灰度進行平均化,從而減少圖像中的噪點[4].圖像的平滑處理分為線性平滑和非線性平滑,線性平滑包括均值濾波和高斯濾波,非線性平滑包括中值濾波和雙邊濾波.目前隨著空間域濾波技術不斷地發展,越來越多的改進濾波技術不斷的應用于圖像平滑之中,接下來介紹并分析目前改進的典型濾波算法.

以迭代均值濾波算法[5]為例,它改進了傳統的均值濾波算法,它利用鄰域內已經估算的重構灰度級參與當前像素灰度級的運算,提高了圖像重構的質量和效率.雖然迭代均值濾波算法能夠有效地抑制噪聲,但是也會破壞圖像的細節部分,因此對于具有強邊界信息的圖像,此算法會破壞圖像的邊緣信息,這就導致圖像整體變得模糊.

文獻[6]提出了一種自適應各項異性高斯濾波算法,該算法首先計算圖像中各個像素位置的梯度值以及梯度方向,根據梯度值的大小來決定采用的濾波類型,采用各項異性高斯濾波,通過該點的梯度方向角得到各項異性高斯算子的長軸方向,此算法在邊緣信息的維護方面強于傳統的高斯濾波算法.此算法的局限性在于只能夠對高斯噪聲進行平滑,對于在空間域上周期性分布的噪聲,該算法就失去了作用效果.

文獻[7]提出了一種可以保留圖像細節信息的中值濾波改進算法,通過檢查待處理像素點是否存在于角點以及線段中,并根據結果來決定是否進行保留或者采用中值濾波算法進行處理,該算法可以保留圖像中的細節信息同時可以避免圖像的模糊.該算法的局限性在于當噪聲像素個數大于窗口內像素個數的一半時,會導致排序后的中間值仍為噪聲,因此去噪效果非常差.

文獻[8]提出了一種改進的雙邊濾波和閾值函數的圖像增強算法,該算法對帶有噪聲的圖像進行小波分解,從而獲取圖像的低頻和高頻系數,采用改進的雙邊濾波的Retinex 算法對圖像的低頻系數進行處理,采用閾值函數對高頻系數進行處理,最后進行小波反變換重構來實現圖像中噪聲的消除以及圖像細節部分的增強.但對于周期性偽影,由于其在小波域上均存在于高頻分量以及低頻分量中,因此難以實現對其進行分離從而達到抑制的目的.

1.2 頻率域偽影抑制

上面主要介紹了4 種基于空間域偽影抑制的濾波算法,但它們在對特定分布的偽影在進行抑制的同時往往會具有局限性,例如周期性偽影,在空間域上采用平滑操作,雖然會在一定程度上降低偽影的灰度級,但是通過平滑后的圖像會變得模糊,圖像偽影附近的有效信息會產生丟失,為了解決這一問題,在CT 領域,常常需要獲取紋理在頻率域上的相位分布和幅值分布,來達到偽影抑制的目的[9].對于帶有周期性偽影的超聲圖像需要通過變換域處理的方式來對其進行抑制,變換域處理主要指的是圖像的頻率域變換及小波變換,通常情況下,頻率域具有和空間域的互補性,例如周期性偽影的抑制在空間域處理往往需要對圖像進行分割以及融合,而這些偽影在頻率域就顯得具有一定規律,這些特定在頻率域表現得更為直觀,它可以解釋空間域濾波的一些屬性,因此只需要找出周期性偽影在頻率域上的分布并對其進行衰減[10]就可以達到去除的目的,本課題將對于帶有周期性偽影的超聲圖像來進行基于頻率域上[11]算法研究.

2 正弦波模擬偽影抑制

這一節主要使用正弦波來模擬周期性偽影,并通過正弦波的疊加實驗來判斷周期性偽影在頻域的表現特征.

2.1 二維傅立葉變換

本研究對周期性偽影的抑制在超聲圖像的頻率域來進行處理主要是通過圖像的二維傅立葉變換來完成的,它是由20世紀60年代的Cooley 和Tukey 提出的一種算法[12],能夠明顯提高運算效率.二維快速傅立葉變換(FFT)是圖像處理領域中常用的分析和計算工具,常常應用于頻譜分析,頻域濾波和卷積計算等相關圖像分析當中[13].二維傅立葉變換可以看出兩個一維傅立葉變換的結合,一維傅立葉變換的作用是將一個一維信號分解成若干個復指數波,即有:

再根據歐拉方程:

對于一個正弦波,想要確定它就要定義3 個參數,分別是頻率w,幅值A,相位φ,因此在頻率域中,一維坐標代表頻率,每個坐標對應的函數值為F(u)的一個復數,它的幅度值|F(u)|.一維傅立葉變換是一種基變換,在空間域中,基是一族脈沖信號δ(x-n),在頻率域中,基是e-j2πu,這組基是正交基.一維信號可以看成一個序列,傅立葉變換能將其分解成若干個簡單函數之和.對于圖像來說,可以將它看成一個二維信號,一個二維信號可以分解為若干個復平面波之和.對于一個長度為M,寬度為N的圖像f(x,y),其二維離散傅立葉變換由式(3)決定:

類似于一維中的情景,要完成表達式的計算,需要對u,v進行計算,其中對應的二維傅立葉反變換表達式有:

通過式(4),可以計算出每一個平面波在圖像中的成分.二維傅立葉變換實質是將圖像與每個不同頻率的不同方向的復平面波做內積運算,也就是求在基向量e-j2π(ux+vy)上投影的過程.根據式(4)可以得到傅立葉變換的一些特性: 平移性,旋轉不變性,卷積性[14].根據式(4)可以推斷出在頻域中原點平移到(u0,v0)時,其空間域要乘以一個正的指數項ej2π(u0x/M+v0y/N),空間域中原圖像原點移動到(x0,y0)時,其頻率域F(u,v)要乘以一個負的指數項e-j2π(u0x/M+v0y/N),在進行圖像的傅立葉變換時,往往需要將F(u,v)原點平移到頻域中心,u0=M/2,v0=N/2,代入公式中得到將圖像的頻域原點平移到中心就需要在f(x,y)上乘以(-1)(x+y)即可實現,體現出二維FFT 變換結果均具有中心共軛對稱性[14].二維傅立葉變換的旋轉不變性指的是如果f(x,y)旋轉了一個角度,那么f(x,y)旋轉后的圖像的傅立葉變換也會旋轉相同的角度,用極坐標代替平面直角坐標系即有:

替換法則有f(x,y)→f(r,θ)→F(w,φ),如果f(x,y)被旋轉同一角度,那么有f(r,θ+θ0)→F(w,w+θ0)[14]得出結論一幅圖像的空間域上的旋轉角度和頻率域上的旋轉角度是一致的.同時二維傅立葉變換還有卷積特性,即空間域上的卷積運算等于頻率域上的乘積運算,該性質的好處在于將需要進行復雜的卷積運算轉化為乘積運算,極大地提高了計算效率,這也是本研究采用頻率域抑制偽影的原因.

2.2 正弦波的模擬實驗

根據上述的結論,為了更好地達到頻率域上周期性偽影抑制的效果,本研究模擬了兩個正弦波的疊加后然后通過二維傅立葉變換后的頻譜圖,再通過上述的特性來抑制特定頻率的正弦波.設計的步驟如實驗1.

實驗1.正弦波模擬偽影實驗1)編程分別實現一幅256×256,頻率為1/18 的水平正弦波和垂直正弦波;2)將水平正弦波和垂直正弦波進行疊加,得到混合正弦波;3)分別對水平,垂直正弦波進行二維傅立葉變換,觀察各自得到的頻率域譜.4)將混合正弦波做二維傅立葉變換,觀察得到的頻譜,并比較之前獲取的傅立葉頻譜;5)找出頻譜上水平方向的亮點并置為0,這些亮點根據傅立葉變換的特性可以判斷出屬于垂直正弦波;6)對頻譜進行逆傅立葉變換到空間域,觀察到最終結果.

上述設計步驟通過豎直正弦波模擬周期性偽影并進行傅立葉變換和逆傅立葉變換,來驗證在頻率域抑制周期性偽影的效果,如圖1、圖2.上述兩個正弦波分別代表頻率為1/18 的垂直于水平正弦波,按照步驟進行疊加得到混合正弦波,這里采用OpenCV 提供的add 接口來實現正弦波的疊加,如圖3.分別對垂直和水平正弦波及混合正弦波進行二維傅立葉變換,得到垂直和水平正弦波頻譜,如圖4、圖5.通過以上觀察發現,當豎直正弦波旋轉90 度到水平位置后,其頻域也會旋轉90 度,這驗證了空間域和頻域變換之間對應旋轉不變性的特征,圖6 是混合正弦波的頻譜.下一步通過將混合正弦波水平中線上的數值置為0,再通過逆向傅立葉變換觀察復原后的正弦波,如圖7、圖8.

圖1 頻率為1/18 的垂直正弦波

圖2 頻率為1/18 的水平正弦波

圖3 混合正弦波

圖4 垂直正弦波頻譜

圖5 水平正弦波頻譜

圖6 混合正弦波頻譜

圖7 去除水平方向上脈沖點后的頻譜

圖8 復原后的空間域正弦波

3 超聲實時成像中周期性偽影抑制實驗

本研究將對超聲實時成像進行分幀處理,對每一幀的超聲圖像進行2D-FFT 到其頻率域上,并通過設計算法達到抑制周期性偽影抑制的效果,再對所有的超聲圖像進行合幀處理,完成超聲視頻的偽影抑制.

3.1 超聲實時成像的幀率及OpenCV 分幀合幀

超聲實時就是一系列捕獲的超聲圖像以給定的頻率顯示,通過在一序列的特定幀處停止可獲得單個視頻幀,也就是圖像,對于超聲實時成像中帶有的周期性偽影,本研究采用的方法為使用OpenCV 這一計算機視覺開源庫[15]來對成像進行離線分幀處理,OpenCV提供了視頻幀的讀取,顯示函數以及獲得視頻幀率的函數[16],幀率代表以幀為單位的圖像連續出現在顯示器上的頻率以及單位時間內通過圖像的數量,對超聲實時成像中的偽影進行處理首先需要對單個成像幀中的圖像進行采樣,采樣完成后對單個圖像進行偽影抑制,才能達到理想的效果.

OpenCV 分幀的主要步驟為首先使用OpenCV 提供的接口VideoCapture 來打開一個視頻,獲取視頻的相關信息,輸出視頻的高度和寬度以及幀率,視頻的每一幀寬度和高度都是一致的,根據上述信息來獲取單個超聲圖像.合幀的主要步驟為創建VideoWriter 對象,用來讀取圖像并輸出到指定文件中,包括設置參數例如幀數以及圖像尺寸大小,從而獲取到處理后的超聲成像.圖9 是使用單個幀內的部分超聲圖像作為樣本.

圖9 是人體某組織通過超聲探頭掃描的通道數據的視頻通過分幀后的圖像呈現,可以發現這些圖像普遍具有周期性的掃描線,這些是由超聲探頭采用的低通道掃描導致的,同時,這些偽影會遮擋該人體組織中的有用信息,會對醫生的診斷造成干擾.本研究將采取在頻率域對這些周期性掃描線進行抑制,這樣也會提高偽影抑制的效率.

圖9 帶有周期性偽影的人體組織(低通道掃描)

3.2 偽影脈沖檢測算法及結果的定量分析

在大部分圖像中,鄰近像素高度相關,距離較遠的像素相關性較弱,在頻域上也存在相關特性[17],根據之前做的正弦波模擬偽影實驗,可以發現具有周期性的正弦波在頻率域上的方向和空間域的方向垂直,對于豎直周期性偽影,其在頻率域上的方向是在水平方向上,通常表現為具有對稱性的峰值[18],為了更加準確的定位周期性偽影在頻率域上的位置,需要設計一個算法模型,該算法模型能準確地找出偽影在頻率域上的坐標.可以采用滑動窗口掃描結合合適的閾值大小這一算法模型用來選取疑似偽影脈沖頻率域上的點并進行幅值降低處理.

該算法模型的實現過程如算法1.

作為典型的東北城市，長春應如何依據入室盜竊案件發案特點和規律做好防范工作，將是其能否躋身全國安全城市的重要指標。具體來說公安機關應從以下幾個方面做出努力。

算法1.滑動窗口閾值掃描算法模型1)定義一個掃描路徑,被掃描點到頻域中心的距離由大到小來進行搜索;2)定義一個大小為3×3 的滑動窗口,依次從左往右,從上往下開始滑動;3)找出滑動窗口內中心點的幅值大于當前點的上下左右各點幅度值的所有點.4)定義一個閾值T,閾值大小由超聲圖像的動態范圍決定,例如動態范圍為60 db,閾值可以設置為圖像動態范圍的k 倍(0≤k ＜ 1),k 由超聲圖像偽影抑制結果評估模型決定,對系數-預期結果做采樣,找出最佳閾值系數大致范圍,然后設置截止半徑R,截止半徑由圖像頻域幅度峰值到左右兩側下一個峰值的距離確定,用來保證頻域中心點的數據不被破壞,R 的范圍由采樣決定.如果該點所在的滑動窗口內的動態范圍大于T,那么將該點保存至集合中.5)將滿足步驟4 的點存入集合P,P 中的點就是疑似周期性偽影在頻譜上的坐標點,分別是P1,P2,P3,…, Pn,并且r(P1)＞ r(P2)＞ r(P3)＞…＞ r(Pn),r(P)為P 集合中各個點到頻譜中心點的距離.6)對P 中的點進行降低幅值處理,壓低后的幅值大小為小于等于通過閾值計算后的大小.

通過該算法模型,可以找出頻域上疑似周期性偽影的點集,然后就可以通過對找到的點集進行幅值降低的處理,再通過逆向傅立葉變換得到抑制周期性偽影的超聲圖像.然后根據客觀準則來定量的計算超聲圖像的偽影抑制效果,定義兩個集合,分別用來標記偽影區域A 和非偽影區域B,假設O為無偽影超聲圖像,G為原始含偽影圖像,其大小為M×N,Gn為偽影抑制后的圖像,需要統計G中偽影區域A及非偽影區域B和Gn中原偽影區域An及非偽影區域Bn然后通過計算區域之間偏離程度的方法來分析圖像的偽影抑制質量,通常采用的方法是均方誤差估計算法,它通過計算輸入輸出圖像的均方值MSE(mean square error)來判定[19].對于該圖像中的任意一點(x,y),它的誤差值表達式有:

均方誤差可以表示為:

均方誤差值越小,其偽影抑制效果越好.同時也可以采用信噪比SNR(signal-to-noise ratio)[19]作為另一種對偽影進行抑制所產生效果的評價準則,同時也是使用最廣泛的客觀測量法之一,即有:

根據式(8),對于偽影區域A,假設其區域大小為S1,則非偽影區域B大小為S2,則其均方誤差為:

其信噪比為:

對于偽影區域,其處理前后的均方誤差應盡可能大,對于非偽影區,其均方誤差應盡可能小.接下來,分別通過以上兩種評估模型MSE和SNR可以來驗證這個算法模型的準確性.

3.3 算法模型的驗證和實現

根據上述算法模型,該算法實現的功能在于輸入一幅帶有周期性偽影的(M×N)超聲圖像,通過2DFFT 后變換到頻率域,采用第3.2 節中設計的算法,再使用2D-IFFT 反變換到空間域,得出去除周期性偽影的超聲圖像,經過本研究提供的算法模型測試,通過處理后的超聲圖像偽影得到去除,算法作用效果明顯.整體周期性偽影抑制模型如圖10.

圖10 整體周期性偽影抑制模型

根據算法實現功能模塊來對該算法模型進行驗證.使用OpenCV 編程實現該算法模型思想,首先在一幅超聲圖像中(大小為M×N),分別對其偽影區域A和非偽影區域B進行標記,作為后續定量分析的參考,如圖11、圖12.

圖11 采集到的低通道超聲圖像

在圖12 中左側方框為偽影區,右側方框為非偽影區.獲得該頻譜后,再由算法模型確定包含這些點的坐標,為了驗證這些點坐標的準確性,本研究需要獲取到位于水平中心線上所有點的幅值曲線函數,即當x=M/2 時,來判斷該點的大致范圍是否坐落于該曲線上,如圖13.

圖12 標記示意圖(左側方框為偽影區,右側方框為非偽影區)

圖13 水平方向上頻域的幅度分布函數

通過獲取到的幅值曲線函數,可以發現,位于中心點的幅值最高,其左右兩側也有部分峰值,可以確定該峰值是周期性偽影在頻域上的表現形式,將獲取的點集的坐標來和峰值進行對比,能夠確定通過該算法模型獲取頻域上疑似的偽影坐標是正確的,這些點存入集合P中,d為集合P中距離頻域中心的最短距離,同時需要保留頻譜中心點上的有用信息,避免由于該算法誤判導致圖像的非偽影區紋理細節被破壞,假設頻域某點坐標為(x0,y0)則其到中心點(M/2,N/2)的歐氏距離為:

對于一幅超聲圖像,其頻率域中心點范圍代表的是圖像的低頻信號,其四周范圍代表的是圖像的高頻信息,根據R的范圍,來對R進行采樣,分別計算原始超聲圖像和逆傅立葉變換之后的偽影區和非偽影區的MSE和SNR值來計算出最優截止半徑,并觀察它們之間的相關性,偽影抑制效果以及圖像中有用信息是否完整.確定R值后,下一步就是對P中的點根據圖像的動態范圍進行幅度值上的降低.動態范圍是一個用于定義在一定的范圍內能夠捕捉圖像細節的術語,通常用一幅圖像的最低值到最高溢出值之間的范圍來描述,動態范圍越大,就能盡可能地保留圖像高光區和陰影區的信息.所以通過改變集合P中點的幅度值來達到符合預期的動態范圍.假設一幅圖像G,它的頻率域幅值的最大值為max(G),最小值為min(G),它的全局動態范圍計算公式為:

計算出動態范圍,根據給定的閾值系數K(0≤K＜1),根據P集合確定滑動窗口內所有點的幅度值,重新計算其中心點動態范圍,用來確定相應的動態范圍大小為:

再根據式(14)得出新的幅度值為:

將P集合中的點幅度值設置成符合當前滑動窗口內的數值A,通過修改幅度值來實現了周期性偽影的抑制效果,可以通過逆向傅立葉變換觀察算法的使用效果.為了確定閾值系數K的大小,需要對其范圍進行采樣,在本次實驗驗證中,采樣周期為0.1,并從視頻中獲取1 張超聲圖像,依次對不同采樣點區域A(偽影區域)區域B(非偽影區域)的MSE和SNR作為偽影抑制標準,找出最佳閾值系數.確定閾值系數后,使用上面的單幀部分超聲圖像來進行驗證偽影抑制算法模型的準確性.通過該算法的程序并選取4 個在閾值系數為0 的情況下不同截止半徑以及3 個在截止半徑為d時不同閾值系數的采樣點并進行對比從而確定最佳截止半徑及閾值系數,如圖14-圖20.左側為原始超聲圖像,中間為通過該算法改進后的頻率域圖像,右側為通過頻率域圖像進行逆傅立葉變換后的圖像.

圖14 截止半徑為0 的超聲低通道圖像效果

圖15 截止半徑為2 的超聲低通道圖像效果

圖16 截止半徑為6 的超聲低通道圖像效果

圖17 截止半徑為20 的超聲低通道圖像效果

圖18 閾值系數為0.9 的偽影抑制結果

圖19 閾值系數為0.6 的偽影抑制結果

圖20 閾值系數為0.1 的偽影抑制結果

通過上述人體組織的偽影抑制仿真實驗,發現閾值系數K以及截止半徑R對超聲圖像的偽影區域A及非偽影區域B的MSE和SNR具有相關性,所以在該算法中,需要選取合適的截止半徑R以及閾值系數K來實現超聲圖像的偽影抑制效果.

在超聲實時成像領域,對于超聲圖像處理效果上的判斷通過定性分析以及定量分析兩者結合來完成的,本研究在表1 以及表2 中對于偽影的抑制效果和有效信息的完整程度分別給出了3 個評價標準.偽影抑制效果評價分為3 個等級,分別是很差,一般,良好.非偽影區域有效信息完整程度評價分為3 個等級,分別是無效,一般,良好.定性的評價標準往往由超聲醫師的經驗來決定.本研究在前文中提到了將超聲圖像分為偽影區域以及非偽影區域,這是在超聲醫師的幫助下完成的.本文同時也給出了定量的分析,對于超聲醫師勾勒出的偽影區域以及非偽影區域,本文分別計算了在采用該算法之后兩個區域內的MSE數值和SNR數值,通過對這些數據進行分析結合超聲醫師的經驗完成超聲圖像質量上的評估.

截止半徑R對該算法在超聲圖像上的作用起著重要的作用,當截止半徑過小時,頻域中心的數據會被破壞,不僅不能夠對超聲圖像進行偽影抑制,而且還會破壞圖像中有效的醫學信息,結合超聲醫師對超聲圖像判斷的經驗,有效信息的完整程度的評價等級為無效.當隨著截止半徑不斷擴大,部分頻域中心數據得以保留,但仍有部分數據被破壞,此時即使能夠抑制部分偽影,有效的醫學信息仍然會被部分破壞,因此結合超聲醫師的經驗,有效信息完整程度的評價等級為一般.隨著截止半徑不斷地擴大,會有部分偽影在頻域上的脈沖信號點被囊括在截止半徑之外,因此部分偽影無法得到抑制,此時偽影抑制的評價等級逐漸從一般到很差.

閾值系數K對于偽影抑制的效果同樣具有非常重要的作用,當閾值系數過大時,疑似偽影的脈沖點的幅度值沒有超過閾值,因此得以保留,此時偽影抑制的評價等級為很差.隨著閾值系數的降低,結合醫師的判斷,偽影抑制效果逐漸從一般轉變為良好.

表1 為不同截止頻率在超聲圖像偽影抑制前后區域A(偽影區)和區域B(非偽影區)的均方誤差,信噪比結果以及偽影抑制效果和有效信息的完整程度的對比,表2 為不同閾值系數在超聲圖像偽影抑制前后區域A(偽影區)和區域B(非偽影區)的均方誤差和信噪比結果以及偽影抑制效果和有效信息的完整程度的對比(偽影抑制效果評估標準)

表1 超聲圖像不同截止半徑處理前后區域A (偽影區)和區域B (非偽影區)的均方誤差和信噪比結果對比

通過表1 的結果可以判斷出在R＜ 3 時,頻域中心有用信息被抑制,導致通過IFFT 后的圖像部分有用信息及偽影的損失,以在區域A及區域B的MSE值偏大,當R＞10 時,由于部分頻域上偽影亮點在截止半徑之內沒有進行任何壓低處理,導致通過IFFT 后仍然會有部分周期性偽影存在(如圖17),在此截止半徑下圖像區域A及區域B的MSE值會非常小.當R位于3 和6 之間時,由于部分周期性偽影分布在該區域內,對該區域內的亮點幅值進行適當壓低,可以達到去除周期性偽影的效果.

取R=4,來對P集合中[0,M/2-R]和[M/2+R,M]范圍內的亮點通過閾值系數K來進行幅值壓低處理獲取表2 的數據.

表2 超聲圖像不同閾值系數處理前后區域A (偽影區)和區域B (非偽影區)的均方誤差和信噪比結果對比

由于當閾值系數K不斷增大,集合P中滿足當前閾值的亮點逐漸減少,當K等于0.8 時,所有亮點都不滿足超過閾值的條件,因此沒有對集合P中的任何亮點進行壓低,所以處理前后的區域A及區域B的MSE值近似于0,證明K值與偽影抑制的效果呈負相關,即K越大偽影抑制效果越差.

根據采樣結果,在當前超聲圖像中能夠確定最優的截止半徑R和閾值系數K后通過該算法進一步實現的部分連續超聲圖像偽影抑制效果,如圖21、圖22.

圖21 未處理的超聲低通道圖像

圖22 偽影抑制后的超聲低通道圖像

實驗結果表明,對于原始超聲低通道掃描圖像包含的周期性偽影,該算法基本能在保留圖像有用信息的基礎上將其去除,并且該算法效果明顯,實驗結果證明了該算法模型的正確性.

4 結論及下一步研究

醫學超聲實時成像的研究是一項比較新型的研究方向,近幾年的發展非常迅速,從早期的A 型,M 型,B 型超聲診斷技術到目前的超聲多普勒成像技術,三維成像技術的發展歷程來看,超聲成像技術的發展在于提高圖像質量,已經取得較大的突破[20],并且廣泛應用于醫生的輔助診斷等領域,在超聲實時成像領域也有著廣泛的研究空間,伴隨著現代醫學的進步以及發展,醫學超聲診斷儀的重要性不言而喻.超聲實時成像的質量確面臨的巨大的挑戰,由于超聲聲波固有的特點和技術缺陷,超聲實時成像上往往都帶有斑點,周期性等類型的偽影,這些偽影往往會嚴重影響到醫生的診斷效果,所以如何抑制這些類型的偽影成為了一個新的課題.

本研究對于超聲實時成像的周期性偽影抑制提出了一種新的算法,用來解決目前遇到的難題,通過正弦波的模擬實驗以及人體組織的算法仿真實驗,該算法能夠較好地解決人體組織上周期性偽影影響醫生診斷的難題,視頻中的周期性偽影得到了明顯的抑制,能夠提高醫生診斷的準確度.偽影的來源是由超聲探頭制造上的局限性以及采用低通道掃描而產生的,可以發現該偽影垂直于人體的組織器官,因此有別于超聲波束作用于不同紋理的器官組織的表面產生回波導致的偽影.本研究當中的偽影,與器官組織的紋理無關,對于任何人體組織器官,在超聲領域內采用該類型探頭以及掃描方式均會產生該類型的偽影,因此針對不同的器官組織不會有任何區別.

盡管如此,在本研究中,還有一些地方需要改進,例如對于截止頻率的判定以及閾值系數的選取由于采樣周期較大,只能確定一個大致的范圍,并不能準確的定位出具體數值,在極端情況下可能會出現“誤判”,將非偽影區域當成偽影給抑制掉,需要通過下一步研究來對算法模型進行改進.

當前,超聲圖像的修復技術尚未成熟,圖像修復不是一個單一學科的問題,它涉及很多相關領域的研究[21],隨著科學技術的不斷發展,醫學超聲領域將會不斷地進行深耕,新的醫學超聲技術也將會出現,這一行業會隨著技術的不斷成熟和完善不斷蓬勃發展,在保證人體健康的過程中發揮越來越大的作用.