基于光流处理的医学CT图像去噪方法与流程
本发明涉及一种光流处理的医学ct图像去噪方法。
背景技术：
随着科技的发展，在医学成像领域，超声成像、ct(computedtomography)、mri(magneticresonanceimaging)等成像技术已普遍应用于医学临床诊断中。计算机断层成像(ct)是一种影像诊断学的检查技术。这一技术曾被称为计算机轴向断层成像(computedaxialtomography)。计算机断层扫描，利用计算机处理许多从不同方向角度的组合x射线测量产生的横断上的特定区域的扫描对象，允许医师看到诊断对象的内部。ct成像技术检查的是横断面成像，可以通过图像重建显示任意方位的组织或者器官，可以把病变部分更为全面的展现出来，能够有效的防止遗漏。ct成像技术具有高密度分辨率，能够显示细微病变的密度改变，从而明确病变的性质。
由于ct成像的机制的原因，即使是内部分布均匀的物体所成的影像中的各象素的ct值也参差不齐，所成图像带有颗粒性，对密度分辨率有所影响，这也就是ct噪声。ct噪声产生的原因有多方面，其中有探测器的原因，比如：探测器的灵敏度，象素大小，扫描层厚以及x线量等。还有机械方面和电子线路方面的原因，另外图像重建的方法以及散乱的射线等原因也会引起ct噪声。ct噪声越少ct成像的质量越好，反之ct噪声越多ct成像的质量越差，会对观察产生影响，所以有必要了解ct噪声产生的原因，并尽可能抑制其产生。本发明使用医学ct图像作为研究的对象。ct成像容易受到许多客观因素的影响产生斑点噪声，会降低ct图像的成像品质，产生较差质量的医学诊断图像。从观察的角度来看，ct噪声是空间域内相关形状不同的小斑点，称作斑点噪声，斑点噪声的存在会对灰度差别微小的医学图像特征产生影响。因此就临床诊断医生来讲，这种斑点噪声的存在会极大的影响医师尤其是经验还不是非常丰富的年轻医师对病灶的准确诊断。所以考虑临床实际应用的需求，有必要研究降低医学ct图像斑点噪声的方法，从技术层面为诊断医师提供帮助以确保更准确的病情诊断。由此可见，研究医学ct图像的降噪方法会是非常有意义的事情。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种基于光流处理的医学ct图像去噪方法
本发明是一种基于光流处理的一种医学ct图像去噪算法,利用ct数据多帧可用的数据特点，结合相邻数据相似的特点，在相邻帧上寻找相似补丁的方式实现降低ct噪声的方法。在以往采用的医学图像去噪方法中往往针对的是单帧图像进行二维平面上的去噪，诸如利用基于傅里叶变化实现的小波变换、脊波变换、弯曲波变换和剪切波变换等。其中小波变换能够很好的处理一维奇点，但是却在直线和曲线的突变问题上无法有效应对。而脊波变换相对于小波在捕捉线的奇异性上就有效的克服了这一点，但是脊波变换的这一点只在直线上非常有效，而在捕捉曲线的奇异性上却不是非常有效，非下采样剪切波是在近几年的剪切波去噪基础上的改进，自剪切波的提出到离散剪切波算法在医学图像上的应用，医学图像去噪技术有了很大的跨越，但以上方法都是在单帧二位图上进行的处理，并没有将多帧数据的特点考虑在内。本发明针对ct数据相邻帧数据具有高相似度的特点纳入考量范围，利用相邻帧相似补丁的特点将原本的二维去噪方法转换角度到三维视角，进一步提升去噪效果。实验还通过了仿真验证方法的可行性与优化的效果。
与现有技术相比，本发明的创造性与优点在于：本发明将ct数据转换为图像数据后相邻帧之间具有高度的相似性的特点应用于医学图像去噪。将原本在二维图像自身无法找到的更多的相似补丁的问题利用相邻帧含有相似补丁的方法得到解决。针对找到的相似补丁使用三边滤波器去噪方法降低相似补丁的噪声提高结合补丁后的去噪效果。本发明的应用可以给临床医师诊断带来更多的方便和更准确的诊断。
为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案作进一步描述，本发明的基于光流处理的医学ct图像去噪方法，包括以下步骤：
步骤1)ct成像和图像模型的建立；
ct成像的过程是对人体一定部位的层面使用x线束扫描，再由x线束探测器接收透过扫描层面的x线，将接收的x线束转化成肉眼可见的光信号，使用光电转换器将光信号转化成易处理的电信号，然后将模拟信号转化为数字信号交予计算机进行后续处理；此步骤中将x线束选定的特定层面分成许多个体积相同的有规则的几何体，也就是体素，x线束经过每一个体素之后都会有所衰减，这种衰减大小可以用衰减系数表示，将衰减系数排列成矩阵，形成数字矩阵，在形成可观察形式的时候把数字矩阵里的每个系数转化成按照矩阵排列的不同大小灰度的像素，形成肉眼可观察的ct图像；在对扫描层面内的体素进行扫描的过程中可以产生多层数据矩阵，多层数据矩阵中相邻的矩阵具有非常高相似性，如何利用这多层相邻相似的矩阵提高去噪的最终效果和精确度是本研究方法中的重点；
高强度的x线束会对人体产生一些不良影响，但是低强度的x线束在扫描人体层面的时候往往会产生影响观察的噪声，由此可以把ct图像分为真正希望得到可观察的图像和噪声图像两部分，在噪声图像部分还可以分为乘性噪声和加性噪声，在实际医师观察的时候加性噪声产生的负面影响要比乘性噪声产生的负面影响要小得多，因此这里在后续的处理步骤中将不再考虑加性噪声，由此ct图像的模型就可以表示成如下形式：
o(x，y)＝p(x，y)q(x，y)(1)
式中，x表示ct图像的横坐标，y表示图像的纵坐标，p(x，y)表示无噪信号，q(x，y)表示乘性噪声；
由于相加的噪声模型比相乘噪声的模型更容易分离，所以对以上式(1)的模型进行对数变换变换成相加的模型，表示为：
log(o(x，y))＝log(p(x，y))+log(q(x，y))(2)
步骤2)计算相邻帧的光流和遮罩；
在目标帧附近取m个相邻的帧，由于相邻帧具有非常大的相似性，故相邻帧的局部信息具有非常大的借鉴意义；计算每个与目标帧的相邻帧的光流，用计算出的流将之前选出来的每一帧对齐到与目标帧相同的空间域中，此步对齐的步骤为后续帧处理提供了前期条件；gibson在1950年首次提出光流的概念，是一种用于计算相邻帧运动物体运动信息的一种方法，是利用多帧之间像素在时间域的偏移和相邻帧间的相关性找到相邻帧跟目标帧之间存在的对应关系，利用变化物体在像素层面上的瞬时速度计算相邻帧之间物体在颜色、大小和形状上变化的一种方法；需要注意的是即使是在ct图像相邻的帧中也必然存在一定程度的灰度、大小和形状上的区别，我们把后一帧对于前一帧在细微程度的变化(包括色块偏移、灰度深浅和形状变化)称作运动或者遮挡，在目标帧借鉴相邻帧之前需要对相邻帧的遮挡进行计算以及相应处理，最简单直接也是计算时间较快速的方式就是计算相邻帧的局部灰度差，较大的灰度差记为遮挡；另外也可以根据计算流的散度检测遮挡，负散度表示遮挡，将原始像素x的大小位置与目标帧和相邻帧之间的计算流合并为加权函数：
σd是固定值，σi随噪声标准差的变化而变化，此遮挡函数通过设置阈值0.5来判断是否遮挡，计算结果的表示相当于图像二值化的表示，0表示遮挡，1表示非遮挡；被判断的为遮挡的像素一般位于图像的不连续点附近，具有负的流动散度和流动补偿后的较大灰度差；
步骤3)选择相似补丁；
当时域中的所有帧已经对齐，就表示参与计算的每帧像素彼此相关联；此时就可以在与目标帧相邻的帧上寻找最接近的的扩展补丁块，相邻帧为一个集合，寻找最接近b3d的扩展块b’3d(b3d是补丁集，是目标帧在时间维度上的扩展)，设
d(b3d，b′3d)＝σi∈{k-t，...，k+t}||pi-p′i||2(4)
为了在后续的去噪步骤中保证最小的块数，选择最近的距离小于预定义阈值的所有最近的3d块，直到得到合适的非遮挡2d块；
步骤4)给相似补丁去噪；
此步骤对每组相似的补丁进行去噪处理，需要以帧数为平均，计算每一帧补丁与平均标准差的偏差，如果标准偏差很小，则补丁来自颜色均匀的“平坦”区域；如果标准偏差较大，则一些残余的噪声可能留在平坦的区域；如果补丁不属于平坦的区域则需要使用能够起到保留边缘的一些去噪方法来处理；这里采用三边滤波方法对其进行去噪处理；三边滤波器是在原来的双边滤波器的基础上增加了一个新的权重，原本的双边滤波器只在空域层面上的距离权重和值域层面上的灰度权重上做权衡处理，而三边滤波器所增加的一个权重就是质量权重，此权重在一定程度上代表的图像边缘信息，因此增加质量权重可以有效的减少梯度失真的现象，从而改善整体的去噪效果；三边滤波器可表示为如下式子：
其中ms(x,ξ)表示空域滤波器，mr(x,ξ)表示值域滤波器，mi(ξ)表示质量权重部分；其中的空域滤波器部分考虑的是当前像素点邻域附近的像素点对当前像素点的灰度值产生的影响，其权重在高斯距离上距离越近其加权平均所占权重越大，值域滤波器考虑的是与当前像素点的灰度值大小相近的点的加权平均，其所占权重与像素点灰度差有关，灰度差越大则其在加权平均中所占的权重越小，反之权重占比越大；
步骤5)对目标帧进行补丁选择并进行最终去噪；
在完成对齐、选择、去噪等阶段处理后需要对目标去噪帧进行运动估计和补丁选择以及最终去噪处理；设
至此得到一个由已去噪的序列的相应的块构成的集合，它包含有大小与去噪帧相同的2d块；在这个无噪声块集合的基础上计算去噪块的系数，在重建前对去噪块进行最后的修正得到去噪图像。
本发明具有以下优点：
1.本发明充分利用ct数据转换为图像数据后相邻帧具有高度相似性的特点，将二维平面处理扩展到三维角度。
2.本发明利用相邻帧数据的相似性匹配到更多的相似补丁，提高最终的去噪效果。
3.本发明使用三边滤波器去噪方法对在相邻帧上得到相似补丁进行去噪降低补丁块上的噪声，为后续处理提供了良好的处理基础。
4.本发明步骤明确结构简单，拥有完善的理论支持。
附图说明
图1为本发明整体步骤流程图。
图2为案例分析整体流程。
图3a～图3e为各种算法应用在lena图(σ＝40)的实验效果图以及原图和噪声图，图3a为原图，图3b是噪声图，图3c为fdct算法效果图，图3d是ffst算法效果图，图3e是本发明算法效果图。
图4a～图4d为各种算法应用在腹部ct图像(σ＝40)的实验效果图和噪声图，图4a是噪声图，图4b为fdct算法效果图，图4c是ffst算法效果图，图4d是本发明算法效果图。
具体实施方式
以下结合附图对本发明做进一步说明。
本发明的基于光流处理的医学ct图像去噪方法，包括以下步骤：
步骤1)医学ct成像和图像模型的建立；
ct成像的过程是对人体一定部位的层面使用x线束扫描，再由x线束探测器接收透过扫描层面的x线，将接收的x线束转化成肉眼可见的光信号，使用光电转换器将光信号转化成易处理的电信号，然后将模拟信号转化为数字信号交予计算机进行后续处理；此步骤中将x线束选定的特定层面分成许多个体积相同的有规则的几何体，也就是体素，x线束经过每一个体素之后都会有所衰减，这种衰减大小可以用衰减系数表示，将衰减系数排列成矩阵，形成数字矩阵，在形成可观察形式的时候把数字矩阵里的每个系数转化成按照矩阵排列的不同大小灰度的像素，形成肉眼可观察的ct图像；在对扫描层面内的体素进行扫描的过程中可以产生多层数据矩阵，多层数据矩阵中相邻的矩阵具有非常高相似性，如何利用这多层相邻相似的矩阵提高去噪的最终效果和精确度是本研究方法中的重点；
高强度的x线束会对人体产生一些不良影响，但是低强度的x线束在扫描人体层面的时候往往会产生影响观察的噪声，由此可以把ct图像分为真正希望得到可观察的图像和噪声图像两部分，在噪声图像部分还可以分为乘性噪声和加性噪声，在实际医师观察的时候加性噪声产生的负面影响要比乘性噪声产生的负面影响要小得多，因此这里在后续的处理步骤中将不再考虑加性噪声，由此ct图像的模型就可以表示成如下形式：
o(x，y)＝p(x，y)q(x，y)(1)
式中，x表示ct图像的横坐标，y表示图像的纵坐标，p(x，y)表示无噪信号，q(x，y)表示乘性噪声；
由于相加的噪声模型比相乘噪声的模型更容易分离，所以对以上式(1)的模型进行对数变换变换成相加的模型，表示为：
log(o(x，y))＝log(p(x，y))+log(g(x，y))(2)
步骤2)计算相邻帧的光流和遮罩；
在目标帧附近取m个相邻的帧，由于相邻帧具有非常大的相似性，故相邻帧的局部信息具有非常大的借鉴意义；计算每个与目标帧的相邻帧的光流，用计算出的流将之前选出来的每一帧对齐到与目标帧相同的空间域中，此步对齐的步骤为后续帧处理提供了前期条件；gibson在1950年首次提出光流的概念，是一种用于计算相邻帧运动物体运动信息的一种方法，是利用多帧之间像素在时间域的偏移和相邻帧间的相关性找到相邻帧跟目标帧之间存在的对应关系，利用变化物体在像素层面上的瞬时速度计算相邻帧之间物体在颜色、大小和形状上变化的一种方法；需要注意的是即使是在ct图像相邻的帧中也必然存在一定程度的灰度、大小和形状上的区别，我们把后一帧对于前一帧在细微程度的变化(包括色块偏移、灰度深浅和形状变化)称作运动或者遮挡，在目标帧借鉴相邻帧之前需要对相邻帧的遮挡进行计算以及相应处理，最简单直接也是计算时间较快速的方式就是计算相邻帧的局部灰度差，较大的灰度差记为遮挡；另外也可以根据计算流的散度检测遮挡，负散度表示遮挡，将原始像素x的大小位置与目标帧和相邻帧之间的计算流合并为加权函数：
σd是固定值，σi随噪声标准差的变化而变化，此遮挡函数通过设置阈值0.5来判断是否遮挡，计算结果的表示相当于图像二值化的表示，0表示遮挡，1表示非遮挡；被判断的为遮挡的像素一般位于图像的不连续点附近，具有负的流动散度和流动补偿后的较大灰度差；
步骤3)选择相似补丁；
当时域中的所有帧已经对齐，就表示参与计算的每帧像素彼此相关联；此时就可以在与目标帧相邻的帧上寻找最接近的的扩展补丁块，相邻帧为一个集合，寻找最接近b3d的扩展块b’3d(b3d是补丁集，是目标帧在时间维度上的扩展)，设
d(b3d，b′3d)＝σi∈{k-t，...，k+t}||pi-p′i||2(4)
为了在后续的去噪步骤中保证最小的块数，选择最近的距离小于预定义阈值的所有最近的3d块，直到得到合适的非遮挡2d块；
步骤4)给相似补丁去噪；
此步骤对每组相似的补丁进行去噪处理，需要以帧数为平均，计算每一帧补丁与平均标准差的偏差，如果标准偏差很小，则补丁来自颜色均匀的“平坦”区域；如果标准偏差较大，则一些残余的噪声可能留在平坦的区域；如果补丁不属于平坦的区域则需要使用能够起到保留边缘的一些去噪方法来处理；这里采用三边滤波方法对其进行去噪处理；三边滤波器是在原来的双边滤波器的基础上增加了一个新的权重，原本的双边滤波器只在空域层面上的距离权重和值域层面上的灰度权重上做权衡处理，而三边滤波器所增加的一个权重就是质量权重，此权重在一定程度上代表的图像边缘信息，因此增加质量权重可以有效的减少梯度失真的现象，从而改善整体的去噪效果；三边滤波器可表示为如下式子：
其中ms(x,ξ)表示空域滤波器，mr(x,ξ)表示值域滤波器，mi(ξ)表示质量权重部分；其中的空域滤波器部分考虑的是当前像素点邻域附近的像素点对当前像素点的灰度值产生的影响，其权重在高斯距离上距离越近其加权平均所占权重越大，值域滤波器考虑的是与当前像素点的灰度值大小相近的点的加权平均，其所占权重与像素点灰度差有关，灰度差越大则其在加权平均中所占的权重越小，反之权重占比越大；
步骤5)对目标帧进行补丁选择并进行最终去噪；
在完成对齐、选择、去噪等阶段处理后需要对目标去噪帧进行运动估计和补丁选择以及最终去噪处理；设
至此得到一个由已去噪的序列的相应的块构成的集合，它包含有大小与去噪帧相同的2d块；在这个无噪声块集合的基础上计算去噪块的系数，在重建前对去噪块进行最后的修正得到去噪图像。
本发明整体步骤流程图如图1所示。
案例分析
本发明以实际的医学ct图像作为对象，用基于光流处理的医学ct图像去噪方法进行试验，以psnr(峰值信噪比)值为评价指标进行验证(psnr值越大代表去噪效果越高)，同时通过与现有技术对比体现本发明的先进性。实验以医学ct噪声图像经典lena图(图片大小为512×512)作为输入数据带入不同去噪方法中进行试验，案例分析整体流程图如图2所示。实验通过对比fdct(快速离散曲波变换)，ffst(快速有限剪切变换)。各种算法应用在lena图的实验效果图以及原图和噪声图如图3，各种算法应用在头部ct图的实验效果图以及原图和噪声图如图4所示。
表1，2中可看出，从经典图像lena和医学ct图像的实验数据可以看出，噪声方差越大，对去噪算法的要求更高。本发明能够在噪声方差增大的情况下，保持相对稳定的去噪效果。在同一噪声方差上，效果优于fdct和ffst。
表1：lena图不同去噪算法在不同噪声的psnr/db值
表2：医学ct图不同去噪算法在不同噪声的psnr/db值
以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动都是本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！