醫(yī)學(xué)超聲圖像處理算法研究.pdf

1、醫(yī)學(xué)超聲成像因其有效、安全、便攜及低成本成為醫(yī)學(xué)診斷中的一種重要手段。醫(yī)學(xué)超聲圖像處理算法的研究是近年來隨著醫(yī)學(xué)超聲成像技術(shù)的發(fā)展和廣泛應(yīng)用而出現(xiàn)的一個新的圖像處理方向，并且隨著醫(yī)學(xué)超聲成像技術(shù)的發(fā)展還在不斷發(fā)展，因此越來越受到人們的重視。雖然醫(yī)學(xué)超聲圖像處理算法的研究是直接面向醫(yī)學(xué)實踐的，但其研究成果對其它圖像處理領(lǐng)域也有很大的推動作用。
　　本論文對醫(yī)學(xué)超聲圖像處理算法中的一些關(guān)鍵問題進行了研究，包括降噪、分割、壓縮技術(shù)，還涉

2、及醫(yī)學(xué)超聲成像系統(tǒng)的圖像采集技術(shù)。具體包括以下幾方面的工作：
　　醫(yī)學(xué)超聲圖像的采集技術(shù)直接決定了超聲圖像的特點和質(zhì)量。針對圖像采集的重要環(huán)節(jié)——數(shù)字聲束形成技術(shù)，提出聚焦參數(shù)壓縮算法，該算法利用游程編碼和預(yù)測編碼技術(shù)，成功地降低了逐點聚焦產(chǎn)生的大量參數(shù)對硬件容量的要求。
　　超聲成像技術(shù)是通過人體對高頻聲波的反射來獲取圖像的。嚴重的散斑噪聲污染使超聲圖像的視覺質(zhì)量很差，組織間的邊緣檢測也很困難。為解決該問題，本文提出了一種

3、新的笛卡兒坐標(biāo)系中的各向異性擴散降噪方案。該方案在提取梯度信息時利用多方向中值濾波算法代替?zhèn)鹘y(tǒng)的高斯濾波算法，由于考慮了邊緣方向，該方法降低了邊緣模糊程度。對各向異性擴散算法的研究發(fā)現(xiàn)擴散可以沿兩個相互垂直的方向進行，因此引入方向分離的擴散形式，以不同方式處理邊緣和噪聲。進一步又借助于邊緣信賴度調(diào)整擴散算法的參數(shù)設(shè)置，使其更適合圖像的局部特征。實驗表明該方案達到提升各向異性擴散算法降噪性能的目的。由于超聲成像系統(tǒng)不能對平行于聲束的結(jié)構(gòu)成

4、像，針對凸陣探頭采集的超聲圖像，本文提出了利用極坐標(biāo)下局部梯度的基于極坐標(biāo)的擴散算法。該算法還使用一種隨超聲聲束對器官表面的入射角來調(diào)整傳導(dǎo)函數(shù)閾值的方案，且引入了基于結(jié)構(gòu)矩陣的邊緣自適應(yīng)擴散模式，該模式可以有選擇性地保持邊緣或者光滑噪聲。所提出方法的最大特點是考慮了超聲成像設(shè)備的物理機理。分析和實驗顯示了提出的算法在去除噪聲以及保留邊緣上都有不錯的表現(xiàn)。
　　由于超聲圖像的低對比度和噪聲干擾，即使對有經(jīng)驗的醫(yī)師來說，確定圖像中物

5、體的邊緣也是一項困難的工作。論文結(jié)合蛇模型研究超聲圖像的自動分割算法。首先提出一種利用形狀先驗知識和灰度特征的改進蛇模型，該方法通過計算蛇曲線與期望形狀的相似性來調(diào)整蛇模型的參數(shù)。形狀相似性度量是通過對傅立葉描述子的改進實現(xiàn)的。另外，還提出一種針對心臟超聲圖像的紋理分割方案。紋理特征是圖像的重要特征之一，它描述了灰度信息的空間分布。對低信噪比的超聲圖像來說，紋理特征是區(qū)分目標(biāo)和背景的一種有效途徑。該算法在傅立葉頻譜的基礎(chǔ)上推導(dǎo)出紋理強度

6、圖，并利用蛇模型得到圖像的粗分割結(jié)果。隨后利用提出的比較規(guī)則解決了紋理計算所引入的模糊性，在粗分割的基礎(chǔ)上實現(xiàn)圖像細分割。規(guī)則的主要特點是對每個像素來說，不再依賴以它為中心的圖像塊的紋理特征，而是通過以它為邊界點的圖像塊的紋理特征的比較來確定其分類。實際超聲圖像的分割結(jié)果顯示所提算法具有很好的性能。
　　龐大的數(shù)字醫(yī)學(xué)圖像既降低了系統(tǒng)的傳輸效率又占用昂貴的存儲資源，壓縮技術(shù)為解決這一問題提供了有效的途徑。本文針對B型超聲圖像提出了

7、一種基于整數(shù)提升小波變換的有損壓縮方式。鑒于醫(yī)學(xué)診斷的需要，在提高壓縮比的同時，仍要保持高保真度且診斷區(qū)域不能損失任何信息。圖像的內(nèi)容是影響壓縮效率的重要因素，不存在任何單一的小波變換能對所有圖像都達到最好壓縮效果。針對超聲圖像的特點，通過掩模技術(shù)，提出一種通過調(diào)整圖像的小波表示來提高壓縮比的算法。利用超聲圖像成像區(qū)的圖像域掩模，生成相應(yīng)的小波系數(shù)掩模，從而將不同的小波系數(shù)組合在一起，作為隨后的基于分層樹的集合劃分算法的數(shù)據(jù)源。另外還對