超聲圖像反卷積與分割研究.pdf

1、醫(yī)學超聲成像技術(shù)是現(xiàn)代四大醫(yī)學成像技術(shù)之一，具有檢測方便快速、價格低廉、沒有副作用等優(yōu)點，在醫(yī)學診斷中具有不可替代的地位。但各種超聲成像技術(shù)遇到一個共同的問題，那就是超聲圖像的質(zhì)量較低，分辨率不高，斑點噪聲突出，這給臨床準確診斷帶來困難。在利用各種超聲成像技術(shù)獲得的超聲圖像進行后期處理時，病變部分是我們關(guān)注的焦點，多數(shù)情況下需要把病變部分從整幅超聲圖像中分割出來做進一步的分析。超聲圖像分割在計算機輔助診斷、腫瘤識別、三維可視化、醫(yī)學影像

2、測量、多源影像融合、擴展視野的超聲圖像拼接技術(shù)、腫瘤數(shù)據(jù)庫的建立、醫(yī)學圖像檢索、治療效果跟蹤與評價等醫(yī)學工程技術(shù)中不可或缺。超聲圖像反卷積和分割是兩個基礎(chǔ)性的困難問題，在醫(yī)學影像工程中具有非常重要的地位，本論文在這兩方面做比較深入的研究，具體工作如下:
　　 (1)超小波的反卷積方法以及與偏微分方程相結(jié)合建立混合模型
　　 全變分反卷積模型是經(jīng)典的圖像反卷積方法，在此基礎(chǔ)上，本文建立了廣義全變分模型。分析正則項在反卷積算

3、法中的作用，分別從圖像的平坦區(qū)域和邊緣區(qū)域入手，在平坦區(qū)域做各向同性擴散，在邊緣區(qū)域則要滿足各向異性擴散，從理論上對兩種情形下的擴散做深入分析，推導出廣義TV模型滿足的一些條件，為了防止高噪聲情形下反卷積模型失效以及克服方塊效應，在正則項中引入了Contourlet收縮，它是一種多分辨的、局域的、多方向的更稀疏的圖像表示方法。Contourlet收縮具有去噪和提取圖像重要信息的作用，Contourlet收縮與廣義TV正則化相結(jié)合，兼顧了

4、圖像的光滑性和邊緣保持，特別是在圖像嚴重模糊、噪聲越多的情形下，更加體現(xiàn)了這種算法比改進的TV模型有效。
　　 在新型泛函空間建立反卷積模型是近幾年發(fā)展起來的新方法，我們在DT模型、Jiang模型和LHLLAV模型等幾種圖像反卷積方法的基礎(chǔ)上，提出了在新的光滑G空間上的圖像反卷積模型。首先剖析了新模型的參數(shù)含義和物理意義，闡述了Besov空間和G空間的定義、性質(zhì)和范數(shù)，根據(jù)G空間和Besov空間的關(guān)系，把模型在G空間中重新描述。

5、引入替代函數(shù)，消除求解困難，推導了新模型在第二代Curvelet變換域的求解，得到了一個關(guān)鍵性的Curvelet域收縮求解公式。最后對圖像反卷積模型給出了算法步驟和實驗，驗證了反卷積效果和算法計算復雜度，模型收斂快，比LHLLAV模型省時，圖像的SNR也比LHLLAV模型的高。
　　 (2)基于稀疏分解的超聲圖像反卷積方法
　　 近兩年，稀疏分解理論在圖像分析中得到廣泛的應用，我們在稀疏分解框架下，建立了在Besov光滑

6、空間上的圖像變分泛函反卷積模型。在負Hilbert-Sobolev空間上約束數(shù)據(jù)項，正則項用稀疏性和光滑性來約束，冗余字典的L(1)范數(shù)作為稀疏性度量，用Besov空間上的半范數(shù)作為圖像光滑性度量，保證稀疏性的同時也兼顧了光滑性。該模型直接求解很困難，采用分裂算子的方法，把原模型分裂成圖像域的反卷積和稀疏表示這兩個模型，交叉迭代求解。實驗驗證了算法的收斂性，并和其它幾種模型做了比較，結(jié)果表明本文模型反卷積效果較好。
　　 由于醫(yī)

7、學超聲圖像分辨率低，斑點噪聲突出，影響臨床診斷效果，本文提出了一種在稀疏分解框架下的超聲信號反卷積模型來改善超聲成像的質(zhì)量。模型包含兩個正則項，分別用來約束信號的光滑性和字典表示的稀疏性，應用高階統(tǒng)計量和MA模型估計點擴散函數(shù)。模型直接求解很困難，我們采用分裂Bregman方法交替迭代求解，然后對反卷積的信號進行動態(tài)濾波、包絡(luò)檢波、二次抽樣、動態(tài)壓縮、灰階映射后得到超聲灰度圖像。實驗結(jié)果表明:本文反卷積方法成像比直接成像的分辨率要高，圖

8、像的對比度也得到增強、斑點噪聲明顯減少，成像質(zhì)量得到提高。
　　 (3)幾何活動輪廓模型的超聲圖像分割
　　 幾何活動輪廓模型是圖像分割非常有效地方法，是近年來研究的熱點。醫(yī)學噪聲圖像的分割很困難，為了同時進行噪聲去除和圖像分割，提出了基于分解的圖像活動輪廓分割模型，該模型是G空間圖像分解模型和邊緣、區(qū)域相結(jié)合的活動輪廓模型集成的一個變分泛函。由于模型直接求解困難，把它分裂成2個極值泛函——圖像分解部分和圖像分割部分，其

9、中圖像分解部分是在G空間的極值泛函，用第二代Curvelet變換域的閾值收縮求解;分割部分是變分水平集極值泛函，其Euler方程為非線性偏微分方程，可用梯度下降流求解。實驗結(jié)果表明我們提出的模型不但可對噪聲圖像去噪，而且在相同的實驗條件下分割效果優(yōu)于C-V模型、Snake模型、Leve（l）-set模型和ASM模型，既提高了圖像的質(zhì)量，又能較好的分割出目標部分。
　　 隨著活動輪廓模型的不斷成熟和發(fā)展，模型的抗噪能力又成為了重要

10、的研究課題，為了精確地分割圖像的同時去除圖像的噪聲，用非負穩(wěn)健函數(shù)作為邊緣保持函數(shù)，從而保證圖像在去噪的過程中邊緣和紋理信息不被模糊。首先創(chuàng)造性地將分類器中的Fisher準則函數(shù)引入到圖像分割中，從分類的角度對C-V模型給出了Fisher解釋，把Fisher準則作為分割的標準來建立一個基于區(qū)域和邊緣相結(jié)合的變分水平集分割模型，同時完成去噪和分割。其次詳細討論了該模型的數(shù)值求解方法，實驗驗證了用Fisher值來衡量分割標準的理論的正確性和

11、可靠性以及模型中正則項約束在去噪過程中的邊緣保持功能。
　　 (4)基于圖割的交互式超聲圖像分割
　　 由于超聲圖像分辨率低、組織和器官間的低對比度和弱邊界等原因，超聲圖像既不是典型的基于區(qū)域型圖像也不是典型的基于邊緣型圖像，并且包含大量斑點噪聲，全自動化超聲圖像分割得不到很好的分割效果，交互式方法是超聲圖像分割最有應用前景的方法。基于圖割的交互式分割顯示出巨大的優(yōu)越性，特別適合超聲這樣的成像質(zhì)量不高的圖像的分割。通常的