基于超分辨率重構技術的醫學超聲波圖像增強方法研究*

齊鑫，楊智，李冬果

(1.首都醫科大學，北京 100069；2. 國家腫瘤臨床醫學研究中心/中國醫學科學院北京協和醫學院腫瘤醫院，北京 100021 )

1 引 言

在圖像的采集和成像過程中，由于受到設備的性能限制，信息的傳遞易受系統帶寬和噪聲的影響，導致圖像質量欠佳。系統帶寬受空間和時間采樣頻率的限制，其提高往往需要通過昂貴的硬件技術，如探測器和處理鏈的改善；而噪聲的降低往往導致帶寬的進一步降低，更多的信息丟失。醫學圖像為疾病的篩查和診斷提供關鍵的信息，其圖像質量，尤其是分辨率、對比度以及噪聲規模決定了其應用的有效性和準確性。因此，如何經濟有效的提高圖像質量是一項十分重要的課題[1]。超分辨率圖像重構技術就是通過多次數據采集，利用軟件方法提高圖像質量的有效方法[2]。

在醫學圖像領域，超分辨率重構技術在不需要提高硬件基礎的前提下[3-8]，利用軟件算法提高圖像分辨率，如在降低X線輻射劑量的前提下，提高CT圖像質量[9]；使用低場強的磁共振儀拍攝的低質量圖像，提高圖像質量[10]；解決低端PET設備獲取的圖像存在的噪聲高等影響圖像質量的問題[11]。在圖像的噪聲處理方面，小波去噪應用較為廣泛。在內部構件振動的信號處理方面，有壓水堆堆內信號去噪[12]應用；在磁力測量信號處理方面，有海洋磁場資料的高頻噪聲去除[13]應用；在超聲應用方面，有超聲測距應用中的信號去噪處理[14]；在醫學診斷信號處理方面，有心電信號的白噪聲去除[15]應用以及核磁共振MRI信號的去噪處理[16]應用。

超聲影像由于其成像的物理特點，其分辨率受到傳感器相控陣列的結構、聲束賦形的限制，而超聲影像特有的斑點噪聲對圖像信息有較嚴重的影響。早期的超聲影像降噪一般采用多角度合成技術和濾波技術。多角度成像反映了成像目標區域內物體不同的聲學反射面，對圖像的分辨率提高無益；濾波技術去噪往往導致圖像過度平滑、模糊。

本研究采用的超分辨率成像是一種多圖像合成的方法，與多角度合成方法所不同的是圖像來自于相似的采集角度，僅存在空間位移，每個分辨率單元反映了成像區域中該單元內的聲學信息，不同圖像之間分辨率單元的信息具有超分辨率互補關系，通過算法設計，可以獲得超分辨率的圖像。而每個分辨率單元的斑點噪聲無強相關性，因而超分辨率圖像重構亦可有效降噪。

2 材料與方法

2.1 數據來源

本研究選擇甲狀腺、腮腺、乳腺三個部位作為實驗對象。由于超聲圖像不穩定，斑點噪聲多，在圖像采集時，采用微小位移(目的在于通過對同一成像目標進行多次的相互有細微差別成像，獲得比單幅圖像更多的目標信息，操作方法為手握超聲探頭幾乎保持位置不變或稍移動，移動距離在毫米級，隨著人體的呼吸、組織活動，即可實現微小位移)，加上連續采集(即在非圖像凍結模式下，以每秒兩張的頻率連續采集)的方法進行采圖操作，得到實驗原始圖像，為保證融合后效果，將形變大的圖像剔除，最終得到五組采集結果：甲狀腺(26張)，甲狀腺(20張)，甲狀腺(24張)，腮腺(6張)，乳腺(6張)。

2.2 超分辨率技術

超分辨率圖像重構技術旨在利用同景圖像融合，提高圖像信息含量，降低圖像噪聲，更加清晰的呈現圖像細節。其核心思想是用時間帶寬換取空間分辨率。通過一系列低分辨率的圖像來得到一幅高分辨率的圖像過程就是超分辨率重建。本研究采用超分辨率圖像重構技術來實現試驗目標，通過一系列不理想的原始圖像來得到一幅質量提高的圖像。

2.3 圖像的小波變換融合

2.3.1基于小波變換的圖像分解 基于小波基統一方法—多尺度分析提出的二維小波分解， 對離散型小波采用Mallat算法，其分解后的圖像可表示為：

(1)

圖1 小波變換分解過程示意圖

Fig1Schematicdiagramofwavelettransformdecompositionprocess

2.3.2基于小波變換的圖像融合 基于以上小波變換分解方法，對原圖像A和原圖像B進行以下融合過程：用小波變換的算法對兩幅圖像A、B進行各個方向的分解，得到圖像的低頻分量和各個高頻分量；對圖像不同層次的分量系數，按照融合規則進行圖像融合；對融合后的小波系數進行小波逆變換，重構出最終的融合圖像。

在整個圖像處理過程中采用絕對值最大、加權平均等融合規則，以提高圖像融合最終結果的質量與速度，并對最終的融合結果采用主觀與客觀(圖像細節橫斷特征輪廓對比和均方差噪聲水平對比)相結合的方法進行綜合評價。

絕對值最大規則，即對原圖像小波變換分解后的小波系數進行對比，將信息集中在幅值大的小波系數里，在最終信號重構時，小波系數絕對值大的權重值會比絕對值小的權重值大，從而保留能量大的圖像信息。絕對值最大規則公式如下：

(2)

其中，A(i,j)和B(i,j)是原圖像A和原圖像B經過小波變換分解得到的系數矩陣。

加權平均規則，即對經過小波變換分解后的分量系數，進行加權處理，得到重構后的系數，具體公式如下：

F(i,j)=α1A(i,j)+α2B(i,j)

(3)

其中，α1+α2=1，A(i,j) 和B(i,j) 是原圖像A和原圖像B經過小波變換分解得到的系數矩陣。

3 結果分析

3.1 基于小波變換的圖像重構融合

經過對多張原始圖像進行小波變換分解，得到低頻分量與各高頻分量信息，再對分解后信息進行重構，最后逆變換得到實驗結果圖像。圖像中的有效信息得到充分融合，斑點噪聲也得到一定程度的抑制，見圖2。由圖中可知，由于小波變換將圖像分解后的各分量信息按照融合規則進行重構融合，使得融合后圖像的畫質更均勻，輪廓更清晰，視覺效果更好。

圖2 超分辨率圖像重構前后對比

Fig2Comparisonofsuper-resolutionimagereconstructionbeforeandafter

3.2 圖像融合效果的評價

定量評價指標，本試驗采用了圖像細節橫斷特征輪廓對比和均方差噪聲水平對比。圖像細節橫斷特征輪廓對比，即在各幅圖像中選取相同位置線段上像素的灰度輪廓線進行對比，觀察圖像處理前后的噪聲抑制情況。均方差(標準差)噪聲水平對比，即選擇目標圖像中的區域，對選取區域圖像素點值進行均方差計算，對圖像處理前后的均方差值進行對比，均方差下降即為噪聲水平下降。均方差公式如下：

(4)

圖像橫斷特征輪廓對比見圖3，圖像的輪廓在峰值部分得到有效的保留甚至增強，而這種保留、增強是通過大量圖像信息融合得到，是有依據的合理保留和增強。同時圖像噪聲信號得到合理抑制，特征曲線更平緩。圖像信息的均方差用來反映圖像畫質是否均勻，是否存在異常噪聲，將五組實驗數據進行對比，結果見表1。

表1 各組實驗均方差StdDev水平數據對比表

由表1可知，各組數據的實驗前后對比，圖像的均方差StdDev值均有不同程度的下降，最顯著的第二組甲狀腺數據均方差水平下降達28%，圖像的均方差StdDev水平平均下降22%，見圖4。圖中可知，圖像噪聲水平得到了抑制，圖像質量有所改善。

圖3 原始圖像與結果圖像橫斷對比

圖4 原始圖像與結果圖像均方差對比

Fig4Comparisonofmeansquareerrorbetweenoriginalimageandresultimage

圖3中，org表示原始圖像，exp表示結果圖像。圖3為第一組采集數據(甲狀腺26張)橫斷特征輪廓對比數據，橫坐標為橫斷連續取值的順序號，縱坐標為橫斷連續取值圖像點的值。圖4為對每組采集實驗數據進行選取區域圖像均方差計算，橫坐標為實驗組順序號(1：甲狀腺1組，2：甲狀腺2組，3：甲狀腺3組，4：腮腺組，5：乳腺組)，縱坐標為相應均方差值。

4 討論

在醫學影像檢查中，超聲檢查對患者身體的影響幾乎為零，但由于超聲成像技術本身限制，圖像質量受到限制且斑點噪聲嚴重，使得其應用受到局限。超分辨率圖像重構技術，在不改變采集圖像硬件基礎前提下，對圖像質量進行合理改善。將超分辨率圖像重構技術和超聲影像技術結合，對提高圖像細節—圖像橫斷特征輪廓更清晰、噪聲水平得到抑制—均方差平均下降22%、圖像畫質更均勻、圖像質量提高，改進超聲成像質量具有一定的作用，對臨床疾病早期診斷與篩查具有重要的意義。