醫(yī)學(xué)圖像增強(qiáng)系統(tǒng)設(shè)計(jì)

李云紅，李 堯，王麗瑩，張 恒，王文瑞，程 霞，蔡澍雨

(西安工程大學(xué)電子信息學(xué)院，陜西西安710048)

隨著醫(yī)學(xué)影像技術(shù)的不斷發(fā)展，醫(yī)學(xué)圖像處理在醫(yī)學(xué)診斷中的地位也越來(lái)越重要，由于醫(yī)學(xué)圖像的成像原理有別于普通圖像成像原理，再加上外界各種物理因素的影響，往往導(dǎo)致醫(yī)學(xué)圖像的對(duì)比度較普通圖像而言，相差了很多，因而常出現(xiàn)邊緣模糊，細(xì)節(jié)信息不清晰等問(wèn)題，致使診斷結(jié)果不準(zhǔn)確。因此一個(gè)針對(duì)醫(yī)學(xué)圖像特點(diǎn)開發(fā)的醫(yī)學(xué)圖像增強(qiáng)系統(tǒng)是非常符合當(dāng)今醫(yī)療工作需求的。

醫(yī)學(xué)圖像處理目前是數(shù)字圖像處理的一個(gè)重要分支，數(shù)字技術(shù)的出現(xiàn)大大提高了醫(yī)療診斷的準(zhǔn)確性，同時(shí)降低了成本。醫(yī)學(xué)圖像處理技術(shù)在臨床診斷、教學(xué)科研等多個(gè)方面都發(fā)揮了重要的作用。

針對(duì)醫(yī)學(xué)圖像的有效處理算法方面，陳銳等［1］提出一種基于PCNN和視覺特性的圖像對(duì)比度增強(qiáng)方法，該方法主要針對(duì)X射線影響的圖像進(jìn)行增強(qiáng)處理并能獲得很好地增強(qiáng)效果。郭業(yè)才和王紹波［2］提出了一種基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法能達(dá)到有效去除斑點(diǎn)噪聲的目的，并能很好地保留圖像的邊緣和細(xì)節(jié)信息。李云紅等［3－4］提出了基于修正維納濾波的小波包變換圖像去噪算法、基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的小波自適應(yīng)斑點(diǎn)噪聲濾除算法(W-PCNN-WD)以及基于小波變換的醫(yī)學(xué)圖像增強(qiáng)方法。從系統(tǒng)實(shí)現(xiàn)效果來(lái)看，這些方法能有效利用小波包變換較好地解決噪聲與邊緣細(xì)節(jié)之間的矛盾，利用脈沖耦合神經(jīng)網(wǎng)絡(luò)和小波變換相結(jié)合的優(yōu)勢(shì)，能夠快速找到噪聲點(diǎn)后進(jìn)行定點(diǎn)去噪處理，效果十分明顯。在此基礎(chǔ)上，系統(tǒng)在VC++2005編程環(huán)境下采用CImage類對(duì)圖像進(jìn)行處理，系統(tǒng)的處理對(duì)象主要是含有噪聲的CT圖像和B型超聲圖像等醫(yī)學(xué)圖像，針對(duì)各自不同的噪聲特點(diǎn)對(duì)其進(jìn)行針對(duì)性地去噪及增強(qiáng)處理，以突出病灶特征，提供準(zhǔn)確的依據(jù)，方便醫(yī)生結(jié)合實(shí)際經(jīng)驗(yàn)，做出準(zhǔn)確的診斷結(jié)果。

2 圖像增強(qiáng)算法

在醫(yī)學(xué)圖像影像技術(shù)的成像應(yīng)用中，對(duì)不同醫(yī)學(xué)圖像的噪聲特點(diǎn)進(jìn)行歸納總結(jié)，可以得出CT圖像的噪聲主要來(lái)源于電子噪聲，而B型超聲圖像中的噪聲為散斑噪聲。通過(guò)對(duì)噪聲特點(diǎn)的分析，利用小波包及PCNN去噪基本理論［5－8］進(jìn)行濾波及圖像增強(qiáng)，最后通過(guò)生成系統(tǒng)軟件進(jìn)行功能實(shí)現(xiàn)。

2.1 CT圖像及B型超聲圖像噪聲

2.1.1 CT圖像噪聲

CT圖像的噪聲主要來(lái)源于電子噪聲。CT管電壓、CT管電流以及層厚等物理因素直接影響著電子噪聲的強(qiáng)度。從CT圖像的噪聲模型的概率分布來(lái)看，可以近似地認(rèn)為CT圖像中的噪聲是一種符合高斯直方圖分布的加性噪聲。

其中，X(i，j)表示含噪圖像;I(i，j)表示輸入時(shí)的原始圖像;N(i，j)表示噪聲信號(hào)。

高斯噪聲可以用特定的概率密度函數(shù)來(lái)描述，如下式所示:

其中，z代表的是噪聲點(diǎn)的灰度值;u代表z的平均值;δ則表示z的標(biāo)準(zhǔn)方差。

2.1.2 B型超聲圖像噪聲

超聲成像原理主要是通過(guò)利用頻率為2.5～10MHz的超聲波在人體內(nèi)傳播時(shí)，因遇到人體器官或不同性質(zhì)的人體組織而發(fā)生折射和反射等產(chǎn)生的回波信號(hào)，通過(guò)對(duì)超聲儀器接收返回的回波信號(hào)，進(jìn)而轉(zhuǎn)換為電信號(hào)，最后經(jīng)過(guò)顯像技術(shù)處理得到最后的超聲醫(yī)學(xué)圖像。由于超聲波在傳播途中經(jīng)過(guò)了折射或者反射，因?yàn)榈玫降幕夭ㄐ盘?hào)的強(qiáng)弱有所不同，進(jìn)而使得最終獲得的超聲醫(yī)學(xué)圖像各部分的灰度值有所區(qū)別，為醫(yī)療診斷提供了依據(jù)。通過(guò)了解超聲圖像的成像原理可以知道，B型超聲圖像中的散斑噪聲的強(qiáng)弱往往受到人體組織器官表面的粗糙程度和超聲波相互干涉作用強(qiáng)弱的影響。

散斑噪聲的噪聲模型可以用下式表示:

馬克思主義哲學(xué)是馬克思主義全部學(xué)說(shuō)的基礎(chǔ)，是所有各門科學(xué)的指導(dǎo)思想?？茖W(xué)的研究往往都離不開理論思維，離不開一定哲學(xué)的指導(dǎo)，馬克思主義哲學(xué)也是思想政治教育方法論的理論基礎(chǔ)，只有堅(jiān)持馬克思主義哲學(xué)理論為導(dǎo)向，黨的思想政治教育方法論創(chuàng)新才能做到真正的隨之變化。

其中，X(i，j)表示含噪圖像;I(i，j)表示未被噪聲污染的圖像信號(hào);Nm(i，j)表示乘性噪聲;Na(i，j)表示加性噪聲;(i，j)表示像素點(diǎn)的空間位置。

由于加性噪聲對(duì)圖像的影響遠(yuǎn)遠(yuǎn)小于乘性噪聲對(duì)圖像的影響，因此常常忽略加性噪聲的作用，而將散斑噪聲簡(jiǎn)化的認(rèn)為是一種乘性噪聲。

散斑噪聲可以通過(guò)推廣的K－分布(Generalized K-Distribution)來(lái)進(jìn)行描述，概率密度分布函數(shù)如下式所示:

2.2 小波包及PCNN去噪基本理論

2.2.1 小波包基本理論

下面對(duì)小波包分析進(jìn)行圖解說(shuō)明，以一個(gè)三層小波包分析為例，其小波包分解樹如圖1所示。

圖1 三層小波包分解樹Fig.1 Three wavelet packet decomposition tree

圖1中，A表示低頻，D表示高頻，末尾的序號(hào)數(shù)表示小波分解層數(shù)。分解級(jí)數(shù)越大，也就是選擇的小波包尺度越大，小波包系數(shù)對(duì)應(yīng)的空間分辨率就越低。

分解具有以下關(guān)系:

下面給出小波包分解算法和重構(gòu)算法。

與小波變換［9－10］相比較，小波包變換能夠更好地對(duì)圖像的高頻部分進(jìn)行細(xì)分，具有更強(qiáng)的適應(yīng)性，更加適用于圖像的各種處理，特別是抑制噪聲處理。

2.2.2 PCNN去噪

針對(duì)超聲醫(yī)學(xué)圖像的實(shí)時(shí)特性，為了減少圖像處理時(shí)間，因此選用簡(jiǎn)化PCNN模型［11］。簡(jiǎn)化PCNN單個(gè)神經(jīng)元結(jié)構(gòu)如圖2所示。

圖2 簡(jiǎn)化PCNN單個(gè)神經(jīng)元結(jié)構(gòu)Fig.2 Single neural architecture of simplified PCNN

神經(jīng)元按照以下方式進(jìn)行迭代運(yùn)算:

其中，F(xiàn)ij表示神經(jīng)元的輸入項(xiàng);Iij表示輸入圖像;Eij，Uij，Yij，Lij和分別表示神經(jīng)元的動(dòng)態(tài)閾值、內(nèi)部活動(dòng)項(xiàng)、脈沖輸出以及連接輸入。

利用噪聲點(diǎn)與周圍的像素灰度值具有差異這一特性，在PCNN進(jìn)行迭代處理時(shí)，噪聲點(diǎn)對(duì)應(yīng)的神經(jīng)元不會(huì)與周圍的其他神經(jīng)元同時(shí)被激發(fā)［12］。因此，可以根據(jù)迭代后輸出的結(jié)果按照預(yù)設(shè)定的步長(zhǎng)逐次增加或者減少噪聲點(diǎn)的灰度值，直至與其他神經(jīng)元同步輸出脈沖。該方法的流程圖如圖3所示。

圖3 PCNN去噪流程圖Fig.3 Flow process of PCNN denoising

3 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)采用VC++2005編程環(huán)境下的CImage類對(duì)圖像進(jìn)行處理，而沒(méi)有采用傳統(tǒng)的自己封裝的設(shè)備無(wú)關(guān)位類圖(DIB類)對(duì)不同格式的圖像數(shù)據(jù)進(jìn)行讀寫操作，使得指針的使用率大大降低，以達(dá)到簡(jiǎn)化代碼，簡(jiǎn)捷編程的目的。界面由幾個(gè)方面構(gòu)成:(1)基本軟件功能:打開圖像、保存以及退出功能;(2)圖像基本處理功能:圖像旋轉(zhuǎn)、圖像放大和縮小、圖像鏡像以及直方圖信息等功能;(3)圖像分析處理功能:中值濾波、均值濾波、二值化、針對(duì)CT和B超的不同去噪功能以及增強(qiáng)和邊緣檢測(cè)功能等。主界面如圖4所示。

圖4 系統(tǒng)的主界面視圖Fig.4 The main interface system

本系統(tǒng)運(yùn)用了幾個(gè)重要的圖像分析功能:圖像的旋轉(zhuǎn)、縮放、鏡像、均值濾波、中值濾波、CT圖像去噪、B超圖像去噪、增強(qiáng)處理、二值化處理以及邊緣檢測(cè)處理。

3.1 圖像的中值濾波

圖5為針對(duì)醫(yī)學(xué)圖像進(jìn)行的中值濾波處理效果圖，進(jìn)行中值濾波后的CT圖像明顯變得平滑，但邊緣也相應(yīng)的出現(xiàn)了模糊等現(xiàn)象。因此在對(duì)比之后，我們可以選擇合適的增強(qiáng)方法對(duì)醫(yī)學(xué)圖像進(jìn)行處理，以獲得更好的增強(qiáng)效果。

圖5 中值濾波效果圖Fig.5 The median filtering effect chart

3.2 圖像的旋轉(zhuǎn)與鏡像

圖像旋轉(zhuǎn)和鏡像在對(duì)于CT圖像的處理中運(yùn)用的較多一些，對(duì)于觀察CT圖像，方便快速找出病灶點(diǎn)的具體位置。經(jīng)過(guò)圖像的旋轉(zhuǎn)體現(xiàn)被裁剪掉的效果，而鏡像變換能有利于快速找出不對(duì)稱的病癥位置，效果圖如圖6(b)和圖6(c)所示。

圖6 圖像旋轉(zhuǎn)和鏡像Fig.6 Image rotation and mirroring

3.3 圖像的縮放

對(duì)于較大的醫(yī)學(xué)圖像，應(yīng)予以適當(dāng)?shù)目s小處理，以方便觀察圖像;對(duì)于需要觀察細(xì)節(jié)的地方，則需要適當(dāng)?shù)倪M(jìn)行放大處理，以準(zhǔn)確判斷病癥情況。圖像的縮放效果如圖6(e)和圖6(f)所示。

3.4 均值濾波和CT圖像去噪

均值濾波對(duì)于CT圖像中的特有的高斯噪聲有較好的濾除效果，但是在平滑圖像的同時(shí)也會(huì)造成圖像邊緣模糊的現(xiàn)象，可能造成病灶點(diǎn)不明顯，從而導(dǎo)致醫(yī)療工作者對(duì)與病人病情的誤判。均值濾波效果如圖7(b)所示。

系統(tǒng)針對(duì)CT圖像特有的噪聲特點(diǎn)，實(shí)現(xiàn)了基于修正維納濾波的小波包變換圖像去噪方法，從系統(tǒng)實(shí)現(xiàn)效果圖可以看出該去噪方法能有效去除CT圖像噪聲，并較好的解決噪聲與邊緣細(xì)節(jié)之間的矛盾。去噪效果圖如圖7(c)所示。

圖7 CT圖像Fig.7 CT image

3.5 B超圖像去噪

針對(duì)B型超聲圖像特有的斑點(diǎn)噪聲，實(shí)現(xiàn)了基于PCNN模型的小波自適應(yīng)斑點(diǎn)噪聲濾除算法。從系統(tǒng)實(shí)現(xiàn)效果來(lái)看，該方法能有效利用脈沖耦合神經(jīng)網(wǎng)絡(luò)和小波變換相結(jié)合的優(yōu)勢(shì)，快速找到噪聲點(diǎn)后進(jìn)行定點(diǎn)去噪處理，效果十分明顯。B超圖像去噪效果圖如圖8所示。

圖8 B超圖像Fig.8 B-image

3.6 圖像的增強(qiáng)

增強(qiáng)處理功能有效解決醫(yī)學(xué)圖像對(duì)比度低的問(wèn)題，并能有效突出圖像的邊緣細(xì)節(jié)信息，突出病灶點(diǎn)，以方便醫(yī)療工作者對(duì)醫(yī)學(xué)圖像的觀察和病情的診斷。增強(qiáng)效果圖如圖9(b)所示。

3.7 圖像的二值化

二值化處理，能有效地將醫(yī)學(xué)圖像信息與背景相分離，達(dá)到突出圖像信息的目的。二值化處理效果如圖9(d)所示。

3.8 圖像的邊緣檢測(cè)

圖9(e)為邊緣檢測(cè)的功能效果圖，該邊緣檢測(cè)采用的Robert算子來(lái)進(jìn)行圖像處理的，能很清晰的獲得圖像的邊緣信息，特別是病變等突出部位能很好地顯現(xiàn)出來(lái)，以方便與正常圖像進(jìn)行對(duì)比，判斷出病變的位置及大小等信息。

圖9 CT圖像處理Fig.9 CT image processing

4 結(jié)論

根據(jù)現(xiàn)今社會(huì)的醫(yī)學(xué)發(fā)展要求，我們建立了一個(gè)醫(yī)學(xué)圖像增強(qiáng)系統(tǒng)，介紹了圖像增強(qiáng)的原理與圖像增強(qiáng)算法模型。研究了基于PCNN的小波自適應(yīng)斑點(diǎn)噪聲濾除算法和基于修正維納濾波的小波包變換圖像方法，當(dāng)噪聲方差為0.01時(shí)，基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)模型的小波自適應(yīng)斑點(diǎn)噪聲濾除算法獲得的PSNR比經(jīng)Wiener濾波方法獲得的PSNR高出9dB。在研究前算法基礎(chǔ)上設(shè)計(jì)了一個(gè)能使醫(yī)療工作者在短時(shí)間快速掌握使用方法的醫(yī)學(xué)圖像增強(qiáng)系統(tǒng)。試驗(yàn)結(jié)果表明:該系統(tǒng)不僅能完成一般的圖像處理軟件的基本功能，而且對(duì)于不清晰的醫(yī)學(xué)圖像系統(tǒng)能針對(duì)噪聲特點(diǎn)對(duì)其進(jìn)行針對(duì)性地去噪及增強(qiáng)處理，在提高圖像清晰度的同時(shí)有效地去除了噪聲的干擾，使得醫(yī)學(xué)圖像更加的清晰，以突出病灶特征，為醫(yī)生提供準(zhǔn)確的依據(jù)，同時(shí)診斷時(shí)間更短，方便醫(yī)生結(jié)合實(shí)際經(jīng)驗(yàn)，做出準(zhǔn)確的診斷結(jié)果，從而提高診斷的效率和準(zhǔn)確率。

［1］ CHEN Rui，MA Yide，ZHENG Xiao，et al.An imaging contrast enhancement algorithm based on PCNN and physiological character of eyesisght［J］.Microcomputer Information，2010，26(4):108，111 －112.(in Chinese)陳銳，馬義德，鄭曉，等.基于PCNN和視覺特性的圖像對(duì)比度增強(qiáng)［J］.微計(jì)算機(jī)信息，2010，26(4):108，111－112.

［2］ GUO Yecai，WANG Shaobo.Method of medical ultrasonic image de-noising based on PCNN in the wavelet domain［J］.Journal of Anhui University:Natural Science Edition，2010，34(5):54 －59.(in Chinese)郭業(yè)才，王紹波.基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪方法［J］.安徽大學(xué)學(xué)報(bào):自然科學(xué)版，2010，34(5):54－59.

［3］ LI Yunhong，YIN Xin.Image denoising using wavelet packet transform based on correctional Wiener filtering［J］.Computer Engineering and Applications，2012，48(21):182 －185.(in Chinese)李云紅，伊欣.基于修正維納濾波的小波包變換圖像去噪［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(21):182－185.

［4］ LI Yunhong，YIN Xin.Wave adaptive denoising method based on PCNN［J］.Optics and Precision Engineering，2012，20(9):2060 －2067.(in Chinese)李云紅，伊欣.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的小波自適應(yīng)斑點(diǎn)噪聲濾除算法［J］.光學(xué) 精密工程，2012，20(9):2060－2067.

［5］ TONG Wuqin，LING Yongshun，HUANG Chaochao， et al.Processing method of IR image based on mathematical morphology and wavelet transform［J］.Optics and Precision Engineering，2007，15(1):138 －144.(in Chinese)同武勤，凌永順，黃超超，等.數(shù)學(xué)形態(tài)學(xué)和小波變換的紅外圖像處理方法［J］.光學(xué) 精密工程，2007，15(1):138－144.

［6］ CHEN Xiaoxi，WANG Yanjie，LIU Lian.Deep study on wavelet threshold method for image noise removing［J］.Laser＆ Infrared，2012，42(1):105 －110.(in Chinese)陳曉曦，王延杰，劉戀.小波閾值去噪法的深入研究［J］.激光與紅外，2012，42(1):105 －110.

［7］ FAN Lulu，AN Chenbin.Research of image fusion algorithm based on LWT［J］.Laser ＆ Infrared，2012，42(9):1076 －1079.(in Chinese)范璐璐，安成斌.基于提升小波變換的圖像融合算法研究［J］.激光與紅外，2012，42(9):1076 －1079.

［8］ ZHANG Tianyu.Researchon wavelet image denoising algorithm based on WIENER filter［J］.Journal of Jinggang-shan University:Natural Science，2011，32(1):92 － 96.(in Chinese)張?zhí)扈?基于維納濾波的小波圖像去噪算法研究［J］.井岡山大學(xué)學(xué)報(bào):自然科學(xué)版，2011，32(1):92－96.

［9］ LU Gang，YAN Jingwen，KOU Yequan，et al.Dual-tree complex wavelet image denoising based on parental and neighboring［J］.Optics and Precision Engineering，2009，17(4):916 －922.(in Chinese)盧剛，閆敬文，寇業(yè)泉，等.由雙樹復(fù)數(shù)小波變換的父系數(shù)及鄰域系數(shù)實(shí)現(xiàn)圖像去噪［J］.光學(xué) 精密工程，2009，17(4):916 －922.

［10］ GONG Weiguo，LIU Xiaoying，LI Weihong，et al..Local adaptive image denoising based on double-density dualtree complex wavelet transform［J］.Optics and Precision Engineering，2009，17(5):1171 －1179.(in Chinese)龔衛(wèi)國(guó)，劉曉營(yíng)，李偉紅，等.雙密度雙樹復(fù)小波變換的局域自適應(yīng)圖像去噪［J］.光學(xué) 精密工程，2009，17(5):1171－1179.

［11］ CHEN Xingjie，CHAI Xiaodong.Infrared image segmentation based on a simplified PCNN［J］.Journal of Anhui U-niversity:Natural Science Edition，2010，34(1):74 － 77.(in Chinese)陳興杰，柴曉冬.一種基于簡(jiǎn)化PCNN的紅外圖像分割方法［J］.安徽大學(xué)學(xué)報(bào):自然科學(xué)版，2010，34(1):74－77.

［12］ WANG Yuanyuan，JIAO Jing.Detection of regions interests from breast tumor ultrasound images using improve PCNN［J］.Optics and Precision Engineering，2011，19(6):1398 －1405.(in Chinese)汪源源，焦靜.改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)檢測(cè)乳腺腫瘤超聲圖像感興趣區(qū)域［J］.光學(xué) 精密工程，2011，19(6):1398－1405.

［13］ LI Qi，XIA Zhiwei，DING Shenghui，et al.Image denoising of CW THz images by use of non-local mean［J］.Infrared and Laser Engineering.2012，41(2):517 － 522.(in Chinese)李琦，夏志偉，丁勝暉，等.采用非局部均值的連續(xù)太赫茲圖像去噪處理［J］.紅外與激光工程，2012，41(2):517－522.

［14］ LI Yan，TANG Xinyi，GE Jun，etal.Real-timemultichannels infrared image acquisition system based on FPGA［J］.Infrared and Laser Engineering.2012，41(5):1363 －1368.(in Chinese)李燕，湯心溢，葛軍，等.基于FPGA的多通道紅外圖像實(shí)時(shí)采集系統(tǒng)［J］.紅外與激光工程，2012，41(5):1363－1368.