基于统计模型的医学超声图像去噪方法技术

基于统计模型的医学超声图像去噪方法，包括如下步骤：步骤1)医学超声图像模型的建立；步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域(LL1、LH1、HL1和HH1)；对低频域LL1继续进行小波分解，再得到四个频域(LL2、LH2、HL2和HH2)；然后重复这个步骤，直到分解最大层数J；步骤3)对每一层的高频部分(LHj、HLj和HHj，j＝1,2,...,J)的小波系数进行阈值法收缩处理；步骤4)利用引导滤波器对最后一层的低频部分(LLJ)中的小波系数做滤波处理；步骤5)作小波逆变换处理，得到去噪后的医学超声图像。

【技术实现步骤摘要】

本专利技术应用于医学图像去噪领域。
技术介绍
在医学成像领域，超声成像、CT、MRI等成像技术已应用于医学临床诊断中。超声诊断作为医学诊断中的一种诊断技术得以应用是从1972年灰阶超声的问世开始的，特别是近几年来，超声诊断在医学临床诊断中运用广泛，主要是因为：1)超声波为非电离辐射，对人体无损害，且能够直观地显示人体器官及组织的形态结构；2)超声波对人体软组织的分辨能力高；3)能实时地观察人体器官的功能活动；4)超声成像仪器操作简单，使用方便，价格便宜。因此超声成像技术相对于其他成像技术更加安全。尤其在观察孕妇体内胎儿成长状况与诊断腹部器官病变等临床应用中，超声成像技术的使用更为重要。根据美国癌症协会在2013年给出的一份女性患乳腺癌的统计数据，在过去的一年里，美国妇女中共有232340例新的浸润性乳腺癌病例，其中39620人死于乳腺癌。对于人体的乳腺以及腹部的其他器官进行检测的主要技术为超声成像技术，即通常所说的B超图像。因此，为医生提供更加清晰无噪声的医学超声图像具有非常重要的意义。超声诊断主要是依据超声的良好指向性和与光相似的反射、散射、衰减及多普勒效应等物理特性，并且结合其不同的物理参数，使用不同类型的超声诊断仪器，采用各种扫查方法，将超声发射到体内，并在人体组织中传播，当正常组织和病理组织的声阻抗有一定差异时，它们组成的界面就发生反射和散射，再将此回声信号接收，加以检波等处理，显示为图像。由于各种组织的界面形态、组织器官的运动状况和对超声的吸收程度不同，其回声有一定的共性和某些特性，结合生理、病理解剖知识与临床医学，观察、分析、总结这些不同的反射规律，可对患病的部位、性质或功能障碍程度做出判断。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，ColorDopplerImaging)、组织多普勒成像(TDI，TissueDopplerImaging)、组织谐波成像(THI，TissueHarmonicImaging)、超声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。但是，在超声成像设备的临床应用中，超声图像中的斑点噪声严重影响了超声图像的质量。由于成像机制的限制，超声图像无法避免的有质量较差这一主要缺点，特别是由于所要观察的器官或组织在结构上存在其不均匀性，有一些微小的结构超声无法识别。加上声波信号也存在干涉现象，这样在图像的形成上有了其特有的斑点噪声，这是得超声图像的质量大大降低，也使得对图像细节的识别与分析更加困难，在图像上体现为相关的形状各异的斑点噪声，它将掩盖那些灰度差别很小的图像特征。对于临床医生而言，斑点噪声对他们的准确诊断造成了很大的干扰，特别是对于经验不是很丰富的医生造成的影响更大。因此，从临床应用的角度出发，需要研究去除斑点噪声的方法，为医生做出更准确的诊断提供技术支持，降低人工诊断的风险。为了解决这个难题，人们发展了图像去噪技术。图像去噪的过程是根据已知的降质含噪图像估计原始真实图像，得到原图像某种意义下的最优逼近。图像噪声是一个随机的过程，噪声分量灰度值是一个随机分量，按照其概率密度的统计特征可以分为：高斯噪声，椒盐噪声，泊松噪声，瑞利噪声等。根据实际图像的特点、噪声的统计特征及频谱分布规律，发展了各种不同的医学图像去噪方法。这些方法在进行图像去噪时，注重的是去噪的同时尽可能多的保持图像的基本几何结构边缘、轮廓等。但图像中的精细结构信息，细小边缘和纹理等常会被平滑掉。因此解决图像去噪中的平滑噪声和保持结构信息这一矛盾是图像去噪中经久不衰的课题。医学图像去噪声处理属于图像的预处理阶段，从数字图像处理的技术角度来说属于图像恢复的技术范畴，它的存在有着非常重要的意义，主要表现在：(1)医学图像由于不同的成像机理，得到的初始图像中都含有大量的不同性质的噪声，这些噪声的存在影响着人们的对医学图像的观察，干扰人们对图像信息的理解。噪声严重时候，图像几乎产生变形，更使得图像失去了存储信息的本质意义。显然对图像进行去噪处理，提高医学超声图像的质量，改善视觉效果，是正确识别图像信息的必要保证。(2)除了能提高人视觉识别信息的准确性，图像去噪的意义还在于它是对图像作进一步处理的可靠保证。如果对一幅含有噪声的医学图像进行特征提取、配准或者图像融合等处理其结果肯定不能令人满意。特别是对于医学图像处理来说，必须要求每一步有尽可能的准确性和可靠性，方便医生更加准确地针对病灶区域做出判断，降低辅助诊断的风险。所以医学图像去噪是必需的。在数字图像处理领域，有很多传统的图像去噪方法，它们可能已经被提出以至被应用很久了。在这样的学术背景下依然研究医学图像去噪的意义何在？我想意义依然是有的，在于：(1)虽然医学图像去噪技术是以一般数字图像处理技术为基础，但是医学图像本身具有自己一些鲜明的特征，这些特征正是医学图像所含有的特殊信息。在对医学图像进行去噪处理的时候必须尽可能地保留这些特征，这就需要我们研究新的算法使得这些算法在保留一般数字图像去噪性能的基础上还能满足医学图像去噪的特殊要求。(2)在医学图像去噪领域，传统方法呈百花齐放之态，但是这些方法并非十全十美，主要表现在去噪的同时对图像细节的丢失。因此进一步研究新的去噪方法或者完善已有的方法意义依然重大。(3)不同方法都有着不同的数学理论基础，对图像去噪的效果也表现不同。探求它们的内部机理，寻求相应的关系，研究不同方法之间如何取长补短，以达到更好的去噪效果，也是很有意义的。(4)研究图像去噪的同时对医学图像其他处理环节性能的提升也有着促进意义。(5)从实际应用来讲，由于医院资源的局限性，特别是医生每天进行人工诊断病人的数量无法满足社会整个阶层的需求，即面临着病人多医生少情况。因此，各种自动诊断仪器的需求越来越大，自动诊断仪器的出现，一方面可以节约医生资源，另一方面可以方便更多的病人进行诊断。随着当今社会经济的飞跃发展，人们自身健康情况却不容乐观，所以人们对家用型医疗自动诊断仪器的需求也非常大，例如家用超声图像自动诊断仪等。但是超声图像自动诊断仪是建立在高质量图像的基础上，并且自动诊断仪需要对超声图像做后期的智能分析，如特征提取、边缘检测和图像分类识别等。因此，从自动化诊断技术的角度出发，需要研究去除斑点噪声的方法，为图像的后期智能处理提供技术保障，促进超声图像自动化诊断技术的发展，具有不可本文档来自技高网...

【技术保护点】
基于统计模型的医学超声图像去噪方法，包括如下步骤：步骤1)医学超声图像模型的建立；如果认为超声成像系统能够对那些影响声波功率的因素做出恰当的动态补偿，则超声成像系统采集的包络信号由两部分组成，一是有意义的体内组织的反射信号，另一部分是噪声信号；其中噪声信号可分为相乘噪声与相加噪声；相乘噪声与超声信号成像的原理有关，主要来源于随机的散射信号；相加噪声认为是系统噪声，如传感器的噪声等；超声成像系统初步得到的包络信号为fpre，它的一般模型如下fpre＝gprenpre+wpre     (1)这里，上标pre表示系统初步得到的信号；函数gpre表示无噪声信号，npre和wpre分别表示相乘噪声和相加噪声，式中npre是噪声的主要成分；和相乘噪声npre相比，相加噪声wpre所占比重很小，因此将wpre忽略后的模型为fpre＝gprenpre      (2)为了适应超声成像系统显示屏幕的动态显示范围，对超声成像系统采集到的包络信号进行对数压缩处理；此时相乘的式(2)模型将变为相加的模型，如下log(fpre)＝log(gpre)+log(npre)     (3)此时，得到的信号log(fpre)即是通常看到的医学超声图像；步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域(LL1、LH1、HL1和HH1)；LL1分量是对原始信号LL0的列和行进行小波分解后得到的低频分量，即一级小波分解后近似部分，它包含了原始图像最多的低频信息。LH1是一次小波分解后的垂直方向上的高频分量，即它包含了图像水平方向上的近似信息和垂直方向上的边缘等高频信息。HL1是一次小波分解后的水平方向上的高频分量，即它包含了图像垂直方向上的近似信息和水平方向上的边缘等高频信息。HH1是一次小波分解后对角方向上的高频分量，即它包含了图像水平和垂直方向上的边缘等高频信息。对低频域LL1继续进行小波分解，再得到第二层四个频域(LL2、LH2、HL2和HH2)；然后重复这个步骤，直到分解最大层数J；由于小波变换是线性变换，因此式(3)模型经过二维离散小波变换后得到下面模型：Wl,kj(log(fpre))=Wl,kj(log(gpre))+Wl,kj(log(npre))---(4)]]>其中和分别表示含有噪声图像的小波系数、无噪声图像的小波系数和斑点噪声的小波系数；其中上标j为小波变换的分解层数，下标(l,k)为小波域内的坐标；为了方便表示，将式(4)简化为Fl,kj=Gl,kj+Nl,kj---(5)]]>经过小波分解后的无噪信号的小波系数服从广义拉普拉斯分布，其概率分布如下pG(g)＝C(σg,β)exp{‑[K(σg,β)|g|]β},‑∞<g<+∞,σg>0,β>0   (6)其中K(σg,β)=σg-1[Γ(3/β)/Γ(1/β)]1/2]]>C(σg,β)＝βK(σg,β)/[2Γ(1/β)]其中K(σg，β)是信号能量系数，C(σg,β)是归一化因子，是伽马函数；σg是无噪信号小波系数的标准差，决定广义拉普拉斯分布概率密度函数的扩散程度；β为形状参数，控制着广义拉普拉斯分布概率密度函数的衰减速度；当β＝1时，式(6)将变为拉普拉斯分布，是广义拉普拉斯分布的特殊模型；为了更好的描述不同散射信号情况下斑点噪声的特性，斑点噪声的小波系数被认为服从瑞利分布pN(n)=nσn2exp(-n22σn2)---(7)]]>式中σn为小波域内噪声的标准差；步骤3)对每一层的高频部分(LHj、HLj和HHj，j＝1,2,...,J)的小波系数进行阈值法收缩处理；在小波去噪方法中，阈值函数的选择会直接影响到最终的图像去噪结果；当阈值选择较小时，一部分大于该阈值的噪声系数会被当作有用信号保留下来，这就导致去噪后的图像依然存在大量噪声；当阈值选择较大时，会将很多系数很小的有用信息当作噪声而置零，这将使得去噪后的图像变得很平滑，损失很多细节信息；因此选择恰当的小波阈值函数非常重要；Donoho等人提出了一种典型的阈值选取方法，并且从理论上证明了该阈值与噪声的标准差成正比，改阈值函数又称为统一阈值函数，其公式如下T=σn2logM---(8)]]>其中，M即是对应小波域内小波系数的总体个数，σn是噪声的标准差；在这种阈值函数中，阈值T受小波系数的个数影响较大，即当M过大时，较大的阈值可能会平滑掉那些系数较小的有用信息；在式(8)的基础之上，提出了一种更加适合超声图像的阈值函数，其公式如下T=αjσn2log M---(9)]]>其中，σn是噪声的标准差，aj代表j层的自适应参数；这是种常见...

【技术特征摘要】
1.基于统计模型的医学超声图像去噪方法，包括如下步骤：
步骤1)医学超声图像模型的建立；
如果认为超声成像系统能够对那些影响声波功率的因素做出恰当的动态补
偿，则超声成像系统采集的包络信号由两部分组成，一是有意义的体内组织的反
射信号，另一部分是噪声信号；其中噪声信号可分为相乘噪声与相加噪声；相乘
噪声与超声信号成像的原理有关，主要来源于随机的散射信号；相加噪声认为是
系统噪声，如传感器的噪声等；超声成像系统初步得到的包络信号为fpre，它的
一般模型如下
fpre＝gprenpre+wpre(1)
这里，上标pre表示系统初步得到的信号；函数gpre表示无噪声信号，npre和
wpre分别表示相乘噪声和相加噪声，式中npre是噪声的主要成分；
和相乘噪声npre相比，相加噪声wpre所占比重很小，因此将wpre忽略后的模
型为
fpre＝gprenpre(2)
为了适应超声成像系统显示屏幕的动态显示范围，对超声成像系统采集到的
包络信号进行对数压缩处理；此时相乘的式(2)模型将变为相加的模型，如下
log(fpre)＝log(gpre)+log(npre)(3)
此时，得到的信号log(fpre)即是通常看到的医学超声图像；
步骤2)对第一步得到的对数变换后的图像进行小波分解，得到四个频域
(LL1、LH1、HL1和HH...

【专利技术属性】
技术研发人员：张聚，程义平，林广阔，吴丽丽，崔文强，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33