基于超分辨率重构技术的医学超声波图像增强方法研究*

齐鑫，杨智，李冬果

(1.首都医科大学，北京 100069；2. 国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院，北京 100021 )

1 引 言

在图像的采集和成像过程中，由于受到设备的性能限制，信息的传递易受系统带宽和噪声的影响，导致图像质量欠佳。系统带宽受空间和时间采样频率的限制，其提高往往需要通过昂贵的硬件技术，如探测器和处理链的改善；而噪声的降低往往导致带宽的进一步降低，更多的信息丢失。医学图像为疾病的筛查和诊断提供关键的信息，其图像质量，尤其是分辨率、对比度以及噪声规模决定了其应用的有效性和准确性。因此，如何经济有效的提高图像质量是一项十分重要的课题[1]。超分辨率图像重构技术就是通过多次数据采集，利用软件方法提高图像质量的有效方法[2]。

在医学图像领域，超分辨率重构技术在不需要提高硬件基础的前提下[3-8]，利用软件算法提高图像分辨率，如在降低X线辐射剂量的前提下，提高CT图像质量[9]；使用低场强的磁共振仪拍摄的低质量图像，提高图像质量[10]；解决低端PET设备获取的图像存在的噪声高等影响图像质量的问题[11]。在图像的噪声处理方面，小波去噪应用较为广泛。在内部构件振动的信号处理方面，有压水堆堆内信号去噪[12]应用；在磁力测量信号处理方面，有海洋磁场资料的高频噪声去除[13]应用；在超声应用方面，有超声测距应用中的信号去噪处理[14]；在医学诊断信号处理方面，有心电信号的白噪声去除[15]应用以及核磁共振MRI信号的去噪处理[16]应用。

超声影像由于其成像的物理特点，其分辨率受到传感器相控阵列的结构、声束赋形的限制，而超声影像特有的斑点噪声对图像信息有较严重的影响。早期的超声影像降噪一般采用多角度合成技术和滤波技术。多角度成像反映了成像目标区域内物体不同的声学反射面，对图像的分辨率提高无益；滤波技术去噪往往导致图像过度平滑、模糊。

本研究采用的超分辨率成像是一种多图像合成的方法，与多角度合成方法所不同的是图像来自于相似的采集角度，仅存在空间位移，每个分辨率单元反映了成像区域中该单元内的声学信息，不同图像之间分辨率单元的信息具有超分辨率互补关系，通过算法设计，可以获得超分辨率的图像。而每个分辨率单元的斑点噪声无强相关性，因而超分辨率图像重构亦可有效降噪。

2 材料与方法

2.1 数据来源

本研究选择甲状腺、腮腺、乳腺三个部位作为实验对象。由于超声图像不稳定，斑点噪声多，在图像采集时，采用微小位移(目的在于通过对同一成像目标进行多次的相互有细微差别成像，获得比单幅图像更多的目标信息，操作方法为手握超声探头几乎保持位置不变或稍移动，移动距离在毫米级，随着人体的呼吸、组织活动，即可实现微小位移)，加上连续采集(即在非图像冻结模式下，以每秒两张的频率连续采集)的方法进行采图操作，得到实验原始图像，为保证融合后效果，将形变大的图像剔除，最终得到五组采集结果：甲状腺(26张)，甲状腺(20张)，甲状腺(24张)，腮腺(6张)，乳腺(6张)。

2.2 超分辨率技术

超分辨率图像重构技术旨在利用同景图像融合，提高图像信息含量，降低图像噪声，更加清晰的呈现图像细节。其核心思想是用时间带宽换取空间分辨率。通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。本研究采用超分辨率图像重构技术来实现试验目标，通过一系列不理想的原始图像来得到一幅质量提高的图像。

2.3 图像的小波变换融合

2.3.1基于小波变换的图像分解 基于小波基统一方法—多尺度分析提出的二维小波分解， 对离散型小波采用Mallat算法，其分解后的图像可表示为：

(1)

图1 小波变换分解过程示意图

Fig1Schematicdiagramofwavelettransformdecompositionprocess

2.3.2基于小波变换的图像融合 基于以上小波变换分解方法，对原图像A和原图像B进行以下融合过程：用小波变换的算法对两幅图像A、B进行各个方向的分解，得到图像的低频分量和各个高频分量；对图像不同层次的分量系数，按照融合规则进行图像融合；对融合后的小波系数进行小波逆变换，重构出最终的融合图像。

在整个图像处理过程中采用绝对值最大、加权平均等融合规则，以提高图像融合最终结果的质量与速度，并对最终的融合结果采用主观与客观(图像细节横断特征轮廓对比和均方差噪声水平对比)相结合的方法进行综合评价。

绝对值最大规则，即对原图像小波变换分解后的小波系数进行对比，将信息集中在幅值大的小波系数里，在最终信号重构时，小波系数绝对值大的权重值会比绝对值小的权重值大，从而保留能量大的图像信息。绝对值最大规则公式如下：

(2)

其中，A(i,j)和B(i,j)是原图像A和原图像B经过小波变换分解得到的系数矩阵。

加权平均规则，即对经过小波变换分解后的分量系数，进行加权处理，得到重构后的系数，具体公式如下：

F(i,j)=α1A(i,j)+α2B(i,j)

(3)

其中，α1+α2=1，A(i,j) 和B(i,j) 是原图像A和原图像B经过小波变换分解得到的系数矩阵。

3 结果分析

3.1 基于小波变换的图像重构融合

经过对多张原始图像进行小波变换分解，得到低频分量与各高频分量信息，再对分解后信息进行重构，最后逆变换得到实验结果图像。图像中的有效信息得到充分融合，斑点噪声也得到一定程度的抑制，见图2。由图中可知，由于小波变换将图像分解后的各分量信息按照融合规则进行重构融合，使得融合后图像的画质更均匀，轮廓更清晰，视觉效果更好。

图2 超分辨率图像重构前后对比

Fig2Comparisonofsuper-resolutionimagereconstructionbeforeandafter

3.2 图像融合效果的评价

定量评价指标，本试验采用了图像细节横断特征轮廓对比和均方差噪声水平对比。图像细节横断特征轮廓对比，即在各幅图像中选取相同位置线段上像素的灰度轮廓线进行对比，观察图像处理前后的噪声抑制情况。均方差(标准差)噪声水平对比，即选择目标图像中的区域，对选取区域图像素点值进行均方差计算，对图像处理前后的均方差值进行对比，均方差下降即为噪声水平下降。均方差公式如下：

(4)

图像横断特征轮廓对比见图3，图像的轮廓在峰值部分得到有效的保留甚至增强，而这种保留、增强是通过大量图像信息融合得到，是有依据的合理保留和增强。同时图像噪声信号得到合理抑制，特征曲线更平缓。图像信息的均方差用来反映图像画质是否均匀，是否存在异常噪声，将五组实验数据进行对比，结果见表1。

表1 各组实验均方差StdDev水平数据对比表

由表1可知，各组数据的实验前后对比，图像的均方差StdDev值均有不同程度的下降，最显著的第二组甲状腺数据均方差水平下降达28%，图像的均方差StdDev水平平均下降22%，见图4。图中可知，图像噪声水平得到了抑制，图像质量有所改善。

图3 原始图像与结果图像横断对比

图4 原始图像与结果图像均方差对比

Fig4Comparisonofmeansquareerrorbetweenoriginalimageandresultimage

图3中，org表示原始图像，exp表示结果图像。图3为第一组采集数据(甲状腺26张)横断特征轮廓对比数据，横坐标为横断连续取值的顺序号，纵坐标为横断连续取值图像点的值。图4为对每组采集实验数据进行选取区域图像均方差计算，横坐标为实验组顺序号(1：甲状腺1组，2：甲状腺2组，3：甲状腺3组，4：腮腺组，5：乳腺组)，纵坐标为相应均方差值。

4 讨论

在医学影像检查中，超声检查对患者身体的影响几乎为零，但由于超声成像技术本身限制，图像质量受到限制且斑点噪声严重，使得其应用受到局限。超分辨率图像重构技术，在不改变采集图像硬件基础前提下，对图像质量进行合理改善。将超分辨率图像重构技术和超声影像技术结合，对提高图像细节—图像横断特征轮廓更清晰、噪声水平得到抑制—均方差平均下降22%、图像画质更均匀、图像质量提高，改进超声成像质量具有一定的作用，对临床疾病早期诊断与筛查具有重要的意义。