一種多維度的醫(yī)療紅外熱圖質(zhì)量評價方法及改進策略*

唐廣發(fā) 李彩云 招晶晶 許曉安 盧子忱

一種多維度的醫(yī)療紅外熱圖質(zhì)量評價方法及改進策略*

唐廣發(fā)1李彩云2招晶晶2許曉安3盧子忱1

（1.中國科學(xué)院云計算產(chǎn)業(yè)技術(shù)創(chuàng)新與育成中心，廣東 東莞 523000 2.東莞市中醫(yī)院，廣東 東莞 523000 3.廣東技術(shù)師范大學(xué)，廣東 廣州 510665）

針對醫(yī)療紅外熱圖存在噪聲、圖像特性缺陷、專業(yè)度缺陷等問題，提出一種多維度的醫(yī)療紅外熱圖質(zhì)量評價方法及改進策略。經(jīng)實驗驗證：醫(yī)療紅外熱圖的質(zhì)量指標得到有效量化，且以此量化指標提出的改進策略能滿足數(shù)據(jù)質(zhì)量智能篩選的需求。

紅外熱圖；圖像質(zhì)量評價；改進策略；圖像處理

0 引言

人體由于結(jié)構(gòu)、組織代謝、血液循環(huán)等不同，導(dǎo)致各部位的溫度也不同。醫(yī)療紅外熱圖是利用醫(yī)學(xué)、紅外攝像和計算機等技術(shù)，經(jīng)圖像處理，以偽彩色熱圖形式顯示人體溫度場分布的一種醫(yī)療圖像。醫(yī)療圖像是醫(yī)療大數(shù)據(jù)平臺數(shù)據(jù)源的重要組成部分。據(jù)統(tǒng)計，超過90%的醫(yī)療數(shù)據(jù)來自醫(yī)學(xué)影像[1]。因此，研究高效、安全、可控的醫(yī)療圖像質(zhì)量評價方法意義重大。

目前，醫(yī)療紅外熱圖的質(zhì)量評價方法主要分為主觀評價和客觀評價。常用的主觀評價方法有均值意見評分法（mean opinion score, MOS）和國際標準Method for the Subjective Assessment of the Quality of Television Pictures Recommended by CCIR500[2]，主要依靠人眼進行主觀判斷，評價過程耗時長，受自身素質(zhì)、情緒和測試環(huán)境影響較大，且成本高。客觀評價方法的核心思想是計算與標準圖像的差異，但使用廣泛且針對醫(yī)療特殊性質(zhì)的方法較少且效果差。

本文根據(jù)醫(yī)療紅外熱圖的特性，提出一種通過多個主客觀維度評價醫(yī)療紅外熱圖的方法及可動態(tài)調(diào)整指標權(quán)重的圖像數(shù)據(jù)集質(zhì)量改進策略。

1 醫(yī)療紅外熱圖質(zhì)量缺陷

1.1 噪聲

1.1.1 隨機噪聲

隨機噪聲是一種由時間上隨機產(chǎn)生的大量起伏騷擾積累而造成的，其值在給定瞬間內(nèi)不能預(yù)測的噪聲。在任何時候，其幅度、相位及波形都是隨機的[3]。紅外熱圖隨機噪聲主要由紅外成像系統(tǒng)的工作環(huán)境干擾產(chǎn)生，包括熱噪聲、有色噪聲、溫度起伏噪聲等。

1.1.2 固有噪聲

固有噪聲主要由紅外成像系統(tǒng)內(nèi)部產(chǎn)生，并隨著系統(tǒng)的變化而變化[3]，主要包括背景噪聲、探測器噪聲、電路噪聲、電荷噪聲、光子噪聲、A/D轉(zhuǎn)換噪聲等。

1.2 圖像特性缺陷

對于醫(yī)療紅外熱圖圖像特性缺陷，本文主要分析圖像對比度和圖像二維熵的異常。

圖像對比度是指一幅圖像中明暗區(qū)域最亮的白和最暗的黑之間不同亮度層級的測量值，即一幅圖像灰度反差的大小[4]。當醫(yī)療紅外熱圖的目標與背景的紅外輻射亮度差值越大時，其對比度越大。

圖像二維熵是反映圖像灰度分布的空間特征[5]，可理解為反映圖像像素位置的灰度信息與其鄰域灰度分布的綜合特征。

醫(yī)療紅外熱圖對比度缺陷產(chǎn)生的主要原因包括目標形態(tài)、紅外輻射特性、環(huán)境條件和紅外探測器性能等。具體來說，成像視野內(nèi)所有物體的發(fā)射率和表面溫度，環(huán)境溫濕度以及紅外探測器輻射亮度性能等，都會使目標輻射亮度和背景輻射亮度產(chǎn)生偏差，從而導(dǎo)致對比度和二維熵的不同。

1.3 專業(yè)度缺陷

醫(yī)療紅外熱圖專業(yè)度可分為垂直投影特性和人體占比范圍。其背景的灰度值為低溫色彩對應(yīng)的色標灰度值，而人體區(qū)域的灰度值為高溫色彩對應(yīng)的色標灰度值。對醫(yī)療紅外熱圖進行垂直灰度投影，會呈近似正態(tài)分布，形成兩邊低中間高的灰度投影特性。另外，醫(yī)療紅外熱圖中人體占比一般在一個合理區(qū)間范圍內(nèi)。醫(yī)療紅外熱圖中沒有人體，或出現(xiàn)其他異物背景雜亂，或診室溫濕度失衡，或成像數(shù)據(jù)出錯等因素，都可能導(dǎo)致醫(yī)療紅外熱圖專業(yè)度缺陷。

2 醫(yī)療紅外熱圖評價方法

2.1 噪聲評價

本文通過均方根誤差（mean squared error, MSE）和峰值信噪比（peak signal-to-noise ratio, PSNR）來評價醫(yī)療紅外熱圖的質(zhì)量。

是參數(shù)估計值與參考值之差平方的期望值，可評價紅外熱圖變化程度。越小，說明數(shù)據(jù)具有較好的精確度[6]。

用于衡量圖像失真或噪聲水平，其值越大,圖像質(zhì)量越好[5]。

式中，為圖像最大像素值；由式(1)求得。

2.2 圖像特性評價

醫(yī)療紅外熱圖對比度計算公式為

式中，(,)為二維特征(,)出現(xiàn)的頻數(shù)；為醫(yī)療紅外熱圖尺度。

本文提出一種基于支持向量機（support vector machine, SVM）的圖像質(zhì)量分類器。支持向量機是一種應(yīng)用于分類與回歸分析的有監(jiān)督式機器學(xué)習(xí)算法[7]，質(zhì)量分類流程如圖1所示。

圖1 SVM紅外圖像質(zhì)量分類流程

提取醫(yī)療紅外熱圖對比度、二維熵、邊緣銳度和噪聲4個特征信息作為支持向量機的輸入= {1,2,3,4}，輸出為差異主觀評分值（different mean opinion score, DMOS）的4個等級O = {1,2,3,4}。DMOS值越小代表圖像質(zhì)量越高，DMOS評分表如表1所示。

表1 醫(yī)療紅外熱圖DMOS評分表

2.3 專業(yè)度評價

灰度投影法是利用圖像灰度分布變化的特點得到圖像幀間運動矢量[8]。醫(yī)療紅外熱圖垂直平均積分灰度投影定義為

式中，(,)為像素點(,)的灰度值。

連通區(qū)域是指圖像中具有相同像素值且位置相鄰的前景像素點組成的圖像區(qū)域。連通區(qū)域分析是指將圖像中的各個連通區(qū)域找出并標記[9]。連通區(qū)域的人體占比可作為醫(yī)療紅外熱圖質(zhì)量評價的指標之一。本文對醫(yī)療紅外熱圖的連通區(qū)域占比范圍進行統(tǒng)計，結(jié)果如表2所示。

表2 醫(yī)療紅外熱圖的連通區(qū)域占比范圍

3 數(shù)據(jù)改進策略

矩陣每一行的和即為矩陣特征向量；對特征向量進行歸一化處理，公式為

4 實驗分析

為驗證本文提出的醫(yī)療紅外熱圖質(zhì)量評價方法的準確性，對1 500例醫(yī)療紅外熱圖數(shù)據(jù)分別進行噪聲、圖像特性、專業(yè)度評價實驗。

4.1 噪聲評價實驗

醫(yī)療紅外熱圖部分噪聲實例如圖2和表3所示。

圖2 醫(yī)療紅外熱圖噪聲實例

表3 噪聲評價表

圖2(b)為經(jīng)過圖像增強處理的醫(yī)療紅外熱圖，為124.8，為27.17；圖2(c)為加入輕微的椒鹽噪聲的醫(yī)療紅外熱圖，為998.0，為18.13；圖2(d)為加入重度的高斯噪聲的醫(yī)療紅外熱圖，為5 736.0，為10.54。由此可知：圖像噪聲越大，越大，越小。因此，可根據(jù)用戶自定義標準擬定和的閾值作為評價醫(yī)療紅外熱圖質(zhì)量的指標之一。

4.2 圖像特性評價實驗

選取醫(yī)療紅外熱圖正樣本274張，椒鹽噪聲醫(yī)療紅外熱圖127張，高斯模糊醫(yī)療紅外熱圖233張；RGB通道值隨機打亂醫(yī)療紅外熱圖224張，并為每張熱圖標記DMOS值。圖3列舉了4個DMOS圖像等級的示例：圖3(a)為經(jīng)圖像增強算法處理的優(yōu)質(zhì)醫(yī)療紅外熱圖，標記圖像等級為1；圖3(b)為標準醫(yī)療紅外熱圖原圖，標記圖像等級為2；圖3(c)為分辨率低、較模糊的醫(yī)療紅外熱圖，標記圖像等級為3，圖3(d)為帶有嚴重椒鹽噪聲的醫(yī)療紅外熱圖，標記圖像等級為4。

醫(yī)療紅外熱圖質(zhì)量回歸預(yù)測模型訓(xùn)練采用SVM軟件LIBSVM工具[10]。SVM分類器訓(xùn)練效果圖如圖4所示，不同形狀的標識代表不同噪聲以及不同DMOS值的數(shù)據(jù)，曲線為SVM分類器的分類表現(xiàn)。假設(shè)把圖4中數(shù)據(jù)集看成離散點集，SVM的分類表現(xiàn)基本貼合離散點集的擬合曲線路徑，其評價效果與主觀感受大體吻合。SVM分類器的訓(xùn)練準確率和測試準確率如表4所示。

圖3 DMOS評分示例

圖4 SVM分類器訓(xùn)練效果圖

表4 訓(xùn)練與測試準確率

由表4可知，此方法能較好地對醫(yī)療紅外熱圖質(zhì)量進行分類。

4.3 專業(yè)度評價實驗

圖5(c)、圖5(d)分別為圖5(a)、圖5(b)的垂直灰度投影。對比圖5(c)、圖5(d)可以看出：目標醫(yī)療紅外熱圖的垂直灰度投影分布呈近似正態(tài)分布，中間位置擁有較高的灰度值，兩端灰度值較低；干擾圖像的垂直灰度投影分布較為平均。

圖5 灰度垂直投影實驗結(jié)果

部分醫(yī)療紅外熱圖目標區(qū)域的前景提取效果圖如圖6所示。從人體不同角度拍攝的醫(yī)療紅外熱圖對應(yīng)的前景連通區(qū)域占比范圍如表5所示。

表5 本文方法的醫(yī)療紅外熱圖占比范圍

由表5可知，各分類占比值滿足表2醫(yī)療紅外熱圖的連通區(qū)域占比范圍。

5 結(jié)論

本文分別從噪聲、圖像特性、專業(yè)度3個維度對醫(yī)療紅外熱圖進行質(zhì)量評價，并給出數(shù)據(jù)改進策略。經(jīng)實驗驗證，此方法有效可行，為醫(yī)療紅外熱圖質(zhì)量評價以及數(shù)據(jù)改進提供參考依據(jù)。

[1] 涂仕奎,楊杰,連勇,等.關(guān)于智能醫(yī)療研究與發(fā)展的思考[J].科學(xué),2017,69(3):9-11.

[2] Narita N. Method for the subjective assessment of the quality of television picture.[J]. CCIR Recommended 500.Terebijon Gakkaishi (Journal of the Institute of Television Engineers of Japan), 1993,47(7):979-982.

[3] 鄭欣.紅外圖像無參考圖評價方法及應(yīng)用研究[D].成都:電子科技大學(xué),2015.

[4] 劉揚東,王璐,李棟.針對檢疫物的CT圖像著色和自動識別方法研究[J].自動化與信息工程,2019,40(2):20-24.

[5] 于虹,甄彤.圖像去噪經(jīng)典算法研究[J].信息與電腦(理論版),2020,32(14):66-67.

[6] 馬悅.基于深度學(xué)習(xí)的低照度圖像增強方法[J].信息技術(shù),2021(1):85-89.

[7] GUO Yinan, ZHANG Zirui, TANG Fengzhen. Feature selection with kernelized multi-class support vector machine[J]. Pattern Recognition,2021,117(5324):107988.

[8] 汪啟偉.圖像直方圖特征及其應(yīng)用研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2014.

[9] 馬敬奇,盧亞,李柳瓊,等.基于Canny算子和改進型Hough變換的邊緣定位方法[J].自動化與信息工程,2017,38(3):32-36.

[10] 顏偉超.基于LIBSVM的簡單圖形識別研究與實現(xiàn)[J].電子技術(shù),2020,49(1):44-46.

A Multi-dimensional Quality Evaluation Method of Medical Infrared Image and Its Improvement Strategy

Tang Guangfa1Li Caiyun2Zhao Jingjing2Xu Xiaoan3Lu Zichen1

（1.Cloud Computing Center Chinese Academy of Sciences, Dongguan 523000, China 2.Chinese Medicine Hospital of Dongguan, Dongguan 523000, China 3.Guangdong Polytechnic Normal University, Dongguan 510665, China）

Aiming at the problems of noise, image characteristic defects and professional defects in medical infrared image, a multi-dimensional quality evaluation method of medical infrared image and its improvement strategy are proposed. The experimental results show that the quality index of medical infrared image has been effectively quantified, and the improvement strategy proposed based on this quantitative index can meet the needs of intelligent screening of data quality.

infrared image; image quality evaluate; improvement strategy; image processing

唐廣發(fā)，男，1988年生，碩士研究生，工程師，主要研究方向：人工智能與機器視覺。

李彩云，女，1978年生，本科，副主任醫(yī)師，主要研究方向：耳鼻喉臨床醫(yī)學(xué)。

招晶晶，女，1984年生，本科，中醫(yī)師，主要研究方向：紅外臨床醫(yī)學(xué)。

許曉安，男，1974年生，碩士研究生，副教授，主要研究方向：計算機應(yīng)用。

盧子忱（通信作者），男，1969年生，碩士研究生，高級工程師，主要研究方向：紅外醫(yī)學(xué)與大數(shù)據(jù)。E-mail：luzichen@casc.ac.cn

基金項目：國家重點研發(fā)計劃重點專項項目（2018YFC1311900）；東莞市社會科技發(fā)展重點項目（2020507102159）。

TP391

A

1674-2605(2021)05-0010-06

10.3969/j.issn.1674-2605.2021.05.010