基于小波变换的嵌入式超声内窥图像处理系统

时一峰，白宝平，陈晓冬，汪 毅，郁道银



基于小波变换的嵌入式超声内窥图像处理系统

时一峰1，白宝平2，陈晓冬1，汪 毅1，郁道银1

( 1. 天津大学 光电信息技术教育部重点实验室，天津 300072；2. 北京华科创智健康科技股份有限公司，北京 100195 )

医学内窥超声成像设备在获取图像时受到换能器尺寸等多种因素的影响，使得超声图像对比度较低和噪声较大，无法为医疗诊断提供清晰的影像依据。为此科学家们提出了多种处理方法，但这些方法多为成像后处理算法，实时性较差，无法满足内窥超声系统实时成像的要求(25 f/s)。针对以上问题，本文设计了基于提升式小波变换的嵌入式超声内镜实时图像处理系统，利用超声内窥系统环扫成像特点以及FPGA流水线概念，对每条扫描线的回波信号进行小波去噪，再经过CORDIC算法、插值处理后得到二维超声图像。本文利用自行搭建超声内镜实验系统对鸡肉组织进行环扫成像，实验表明该系统成像速度可达25 f/s，信噪比提高了3.8 dB，从而验证了系统的可行性。

超声；内窥成像；小波变换；FPGA；实时

0 引 言

医学超声内镜成像诊断技术由于其对人体无损伤、能够探测到人体内潜在病变等优势，在人体消化道及其它部位的临床诊疗技术中占据重要的地位[1]。目前，国外超声内镜领域的研究比较成熟，日本的 Olympus、Fujinon 公司已研制出各种类型的超声内镜产品，并占据了我国95%以上的市场份额[2]。然而，国内超声内镜市场尚未有相关产品问世，其技术难点主要是前端换能器及微型探头的材料性能及制造工艺要求严格，由于目前国内制造水平有限，因此造成换能器带宽较小，接收回波信号衰减较大，严重影响探测深度与信噪比。而且超声成像设备在获取图像时易受到多种因素的影响使得医学超声图像往往具有对比度较低和噪声较大等缺点，无法为医疗诊断提供清晰的影像依据。

常用的超声图像去噪方法基本可以分为5类[4]：自适应滤波方法、各向异性扩散去噪方法、非局部均值去噪方法、多尺度去噪方法以及混合型去噪方法。自适应去噪方法中较为典型的方法有Lee[5]、Frost[6]和SRBF[7]等；各向异性扩散去噪方法中较为典型的有YU[8]、DPAD[9]、SUSAN_AD[10]和OSRAD[11]等；非局部均值去噪方法是一种比较新颖的去噪方法，包括OBNLM[12]、PPB[13]和Guo[14]等；多尺度去噪方法通常利用小波变换作为工具对图像进行分析处理，如小波软硬阈值法[15]和Andria[16]等算法；混合型去噪方法，指的是综合的运用以上方法。但是这些方法都是在获取了二维超声图像后再对其进行去噪处理，实时性较差，无法满足内窥超声系统实时成像的要求(25 f/s)[17]。

1 超声内镜实时成像系统

嵌入式超声内镜成像系统结构如图1所示。导管式探头通过医用电子内镜的活检钳道送入人体，在电机驱动单元(Motor Driver Unit，MDU)的驱动下通过软轴带动微型探头进行环形扫描。探头内的超声换能器在高压脉冲的激励下发射超声波，并接收不同深度组织反射的回波信号。接收到的回波信号经过模拟电路预处理调制，再通过模数转换(Analog-to-Digital Converter，ADC)芯片进行采集送入现场可编程门阵列 (Field Programmable Gate Array，FPGA)进行数字信号处理，信号依次经过扫描线信号处理模块、双静态随机存取存储器(Static Random Access Memory，SRAM)缓存模块、CORDIC[18](Coordinate Rotation Digital Computer，坐标变换)模块与插值模块并在FPGA的同步控制下通过USB2.0接口上传至计算机实时显示。

图1 超声内镜实时成像系统示意图

2 图像处理原理

2.1 提升式小波去噪

提升式小波变换是由Daubechies和Sweldens提出的一种易于硬件实现的方法[19]。在 JPEG2000的标准中有两种被推荐使用的小波系数：LeGall 5/3小波滤波系数与Daubechies 9/7小波滤波系数[20]，由于9/7小波的系数较为复杂，需要考虑计算精度，且相对于5/3小波运算速度较慢，而5/3小波的系数可通过移位实现，不需要添加乘法器等，所用的资源更少，因此本文选用了提升式5/3滤波器小波变换。

人体组织反射的超声信号：

然后根据5/3滤波器提升式小波变换架构原理得：

图 2 5/3 滤波器提升式小波变换硬件架构

对低频小波系数进行再变换的同时，需要用半软阈值法处理高频小波系数，其表达式可以表达如下:

图3 基于FPGA 流水线的三层提升式小波去噪的硬件架构

2.2 CORDIC变换与插值处理

利用FPGA并行处理的特点和双SRAM乒乓操作的机制，使得FPGA在处理扫描线数据并存储到SRAM1的同时，读取SRAM2中的数据进行CORDIC变换。首先由FPGA建立直角坐标系并将坐标原点设在图像的左下角第一个像素处，其坐标系为如图4所示。按照坐标点在坐标系的位置从左到右、从下至上的方式依次进行迭代。然后再将直角坐标系上的每个点都映射到坐标系为的第一象限，这样CORDIC迭代后的极角就可以完全包含在算法的角度收敛范围内。然后，进行CORDIC迭代算法，将每个点的直角坐标转换为极坐标。对于不同象限的坐标点，其映射到第一象限转换后得到的极角需要分别进行不同的角度补偿映射回各自的象限，再对极径和极角进行变换矫正得到极坐标结果。当迭代得到极坐标后，FPGA依次读出SRAM中地址为和地址为处的两个像素值，同时计算圆插值中的两个权重系数和，根据圆插值原理如图4所示，处于中间角度处的点的像素值为

图 4 (a) 坐标系映射

图4 (b) 圆插值原理

3 实验与分析

3.1 系统搭建

本文设计的嵌入式超声内窥图像处理系统如图5所示，探测的目标物体为烧杯内的鸡肉组织。实验中超声探头中心频率为12 MHz，带宽为40%，换能器尺寸为2 mm×3 mm×1.5 mm。采样时钟为180 MHz，信号处理系统的主频为120 MHz。MDU通过软轴带动探头以25 r/s的转速进行环扫成像，帧图像有512条扫描线。经过坐标变换后的直角坐标图像在28 MHz同步时钟控制下通过USB2.0接口上传至上位机实时显示，最终显示的图像为1 024 pixels×1 024 pixels大小的256级灰度图像。

图5 超声内镜实验系统

3.2 系统实验与分析

实验旨在验证本系统在保证能够去噪的同时保证成像实时性。系统采集到的鸡肉组织超声扫描图像如图6所示，图6(a)为不使用提升式小波去噪处理所成的图像，图6(b)为使用提升式小波去噪处理所成的图像。图中中心圆环表示换能器所在位置，白色区域表示鸡肉组织。对比图6(a)和图6(b)，图6(a)有明显背景噪声，它是由硬件电路、机械振动、外界干扰等众多原因产生的，图6(b)由于使用了提升式小波去噪方法，能够在保证信号强度的同时，有效的去除噪声。

图6 鸡肉组织的超声扫描图像

本文选用峰值信噪比(Peak Signal to Noise Ratio，用PSNR表示)作为图像质量评价标准。峰值信噪比是指原图像与处理图像之间均方误差相对于信号最大值的平方，单位是dB。PSNR值越大就代表图像的质量越好。其公式为

表1 信噪比对比

Table 1 Comparison of SNR

从实验结果可以看出，加入小波去噪后图像去噪效果明显，信噪比增加了3.8 dB，在有效保留信号的前提下滤除了噪声。在实验中，Lee[5]、SRBF[7]和Andria[16]等方法也被用来和本文方法作对比，其参数设置如表2所示。这些方法有别于本文方法，即去噪处理在获取图像之后。以图6(a)作为原始图像，通过实验可得到表3中的数据，其中Lee[5]、SRBF[7]和Andria[16]方法是在获取图像后由VC编程实现。实验所用电脑配置为Windows 7 32位操作系统，因特尔i3处理器，4 G内存。

表2 去噪算法参数设置

Table 2 Parameters of denoising methods

表3 系统实时性对比

Table 3 Real-time contrast

根据本系统的实际情况，每帧图像需完成512条扫描线的数据处理以及坐标变换，因此25 f/s的帧频意味每帧图像的SRAM读取与坐标变换要在40 ms内完成，每帧图像所有扫描线的数据处理与SRAM写入也应在40 ms内完成。从实验结果可以看出，计算量最少、耗时最短的Lee方法也无法满足超声系统实时成像要求，而本文方法完成一幅图像所有扫描线的数据处理仅需36.347 ms，帧频可达到25 f/s，符合超声内镜系统的使用要求，与其他成像后去噪方法相比实时性能优越。

4 结 论

本文提出了一种基于提升式小波变换的嵌入式超声内窥图像处理系统，该系统以FPGA为处理核心，利用超声内窥系统的环扫成像特点以及FPGA流水线概念，对每条扫描线的回波信号进行一维提升式小波去噪，再经过CORDIC、插值处理后得到二维超声图像。经实验验证，该系统满足实时性要求，帧频可达到25 f/s，在去除图像噪声的同时保留了细节区域，信噪比提高了3.8 dB。

目前研制出的产品已通过注册检测，其主要性能指标、安全指标均符合要求，且与日本奥林巴斯生产的EU-M2000超声内窥镜在其工作原理、主要技术性能指标、预期用途等临床评价基本相同。本论文的研究，推进了国产超声内镜产品的发展，为最终完成性能优越的国产超声内镜产品奠定了基础。

[1] 李亚楠. 超声内镜数字成像系统 [D]. 天津：天津大学，2013：1-4.

LI Yanan. Ultrasonic endoscope digital imaging system [D]. Tianjin：Tianjin University，2013：1-4.

[2] 耿洁，李全禄，李娜，等. 医用超声内窥镜的研究现状与发展趋势 [J]. 中国医学物理学杂志，2010，27(5)：2122-2124.

GENG Jie，LI Quanlu，LI Na，. Research and development trends of medical ultra- sonic endoscope [J]. Chinese Journal of Medical Physics，2010，27(5)：2122-2124.

[3] SANCHES J M，LAINE A F，SURI J S. Ultrasound Imaging: Advances and Applications [M]. Berlin：Springer，2012：49-50.

[4] 张聚，王陈，程芸. 小波与双边滤波的医学超声图像去噪 [J]. 中国图象图形学报，2014，19(1)：126-132.

ZHANG Ju，WANG Chen，CHENG Yun. Despeckling Algorithm for Medical Ultrasound Images Based on Wavelet and Bilateral Filter [J]. Journal of Image and Graphics，2014，19(1)：126-132.

[5] Lee J. Digital image enhancement and noise filtering by use of local statistics [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828)，1980，2(2)：165-168.

[6] Frost V S，Stiles J A，Shanmugan K S，. A model for radar images and its application to adaptive digital filtering of multiplicative noise [J]. IEEE Transactions Pattern Analysis and Machine Intelligence(S0162-8828)，1982，4(2)：157-166.

[7] Balocco S，Gatta C，Pujol O，. SRBF：speckle reducing bilateral filtering [J]. Ultrasound in Medicine and Biology (S0301-5629)，2010，36(8)：1353-1363.

[8] YU Yongjian，Acton Scott T. Speckle reducing anisotropic diffusion [J]. IEEE Transactions Image Processing(S1057-7149)，2002，11(11)：1260-1270.

[9] Aja-Fernndez S，Alberola-López C. On the estimation of the coefficient of variation for anisotropic diffusion speckle fltering [J]. IEEE Transactions on Image Processing(S1057-7149)，2006，15(9)：2694-2701.

[10] YU Jinhua，TAN Jinglu，WANG Yuanyuan. Ultrasound speckle reduction by a SUSAN-controlled anisotropic diffusion method [J]. Pattern Recognition(S0031-3203)，2010，43(9)：3083-3092.

[11] Krissian K，Westin C，Kikinis R，Oriented speckle reducing anisotropic diffusion [J]. IEEE Transactions Image Processing(S1057-7149)，2007，16(5)：1412-1424.

[12] Coupé P，Hellier P，Kervrann C，. Nonlocal means-based speckle filtering for ultrasound Images [J]. IEEE Transactions on Image Processing(S1057-7149)，2009，18(10)：2221-2229.

[13] Deledalle C，Denis L，Tupin F. Iterative weighted maximum likelihood denoising with probabilistic patch based weights [J]. IEEE Transactions on Image Processing(S1057-7149)，2009，18(12)：2661-2672.

[14] GUO Y，WANG Y，HOU T. Speckle filtering of ultrasonic images using a modified non local-based algorithm [J]. Biomedical Signal Processing and Control(S1746-8094)，2011，6：129-138.

[15] Mohl B，Wahlberg M，Madsen P T. Ideal spatial adaptation via wavelet shrinkage [J]. The Journal of the Acoustical Society of America(S0016-8033)，2003，114：1143-1154.

[16] Andria G，Attivissimo F，Cavone G，. Linear filtering of 2-D wavelet coefficients for denoising ultrasound medical images [J]. Measurement(S0263-2241)，2012，45：1792-1800.

[17] 冯开梅. 医学影像设备 [M]. 北京：人民卫生出版社，2008：20-30.

FENF Kaimei. Medical Imaging Equipment [M]. Beijing：People's Medical Publishing House，2008：20-30.

[18] Volder J E. The CORDIC Trigonometric Computing Technique [J]. IRE Transactions on Electronics Computers(S0367-9950)，1959，8(3)：330-334.

[19] Daubechies Ingrid，Swendens Wim. Factoring Wavelet Transforms into Lifting Steps [J]. Journal of Fourier Analysis and Applications(S1069-5869)，1998，4(3)：247-269.

[20] David H Foos，Edward Muka，Richard M Slone. JPEG2000 compression of medical imagery [J]. Proceedings of SPIE(S0277-786X)， 2002，3980(12)：85-96.

[21] 李秋妮，晁爱农，史德琴，等. 一种新的小波半软阈值图像去噪 [J]. 计算机工程与科学，2014，36(8)：1566-1570.

LI Qiuni，CHAO Ainong，SHI Deqin，.A novel image denoising method of wavelet semi-soft threshold [J]. Computer Engineering and Science，2014，36(8)：1566-1570.

[22] 夏宇闻. Verilog数字系统设计教程 [M]. 北京：北京航空航天大学出版社，2008：149-154.

XIA Yuwen. Verilog Digital System Design [M]. Beijing：Beihang University Press，2008：149-154.

本期组稿：杨淇名

责任编辑：谢小平

英文编辑：庞 洪

Embedded Endoscopic Ultrasound Image Processing System Based on Wavelet Transform

SHI Yifeng1，BAI Baoping2，CHEN Xiaodong1，WANG Yi1，YU Daoyin1

( 1. Key Laboratory of Opto-electronics Information and Technical Science, Ministry of Education, Tianjin University, Tianjin 300072, China；2. Beijing Huaco Healthcare Technologies Incorporated Company, Beijing 100195, China )

During acquiring images, the equipment is affected by the size of the transducer and other factors which make the images have low contrast and big noise, cannot provide clear imaging basis for medical diagnostic. Scientists have proposed a variety of methods. However, these methods are mostly after-imaging processing algorithms and having a poor real-time performance, unable to meet the real-time endoscopic ultrasound imaging requirements (25 frames/s). Therefore, this paper designs the embedded endoscopic ultrasound real-time image processing system based on lifting Wavelet Transform. And the system processes echo signals of each scan line with wavelet denoising, then obtains two-dimensional ultrasound images after CORDIC algorithm and interpolation processing using the imaging characteristics of circular scan and FPGA pipeline concept. Through building my own endoscopic ultrasound experimental system which makes the chicken tissue imaging use circular scan, the experiments show that the system imaging speed is up to 25 frames /s and SNR improves 3.8 dB, verifying the feasibility of the system.

ultrasound; endoscopic imaging; wavelet transform; field programmable gate array; real-time

TP391

A

10.3969/j.issn.1003-501X.2016.05.015

2015-06-24；

2015-09-02

国家“十二五”科技支撑计划项目(2012BAI19B02)

时一峰(1992-)，男(汉族)，辽宁葫芦岛人。硕士研究生，主要研究工作是医学图像处理。E-mail：shiyifeng@tju.edu.cn。