超聲圖像反卷積與分割研究.pdf

1、醫(yī)學(xué)超聲成像技術(shù)是現(xiàn)代四大醫(yī)學(xué)成像技術(shù)之一，具有檢測(cè)方便快速、價(jià)格低廉、沒(méi)有副作用等優(yōu)點(diǎn)，在醫(yī)學(xué)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(gè)共同的問(wèn)題，那就是超聲圖像的質(zhì)量較低，分辨率不高，斑點(diǎn)噪聲突出，這給臨床準(zhǔn)確診斷帶來(lái)困難。在利用各種超聲成像技術(shù)獲得的超聲圖像進(jìn)行后期處理時(shí)，病變部分是我們關(guān)注的焦點(diǎn)，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(lái)做進(jìn)一步的分析。超聲圖像分割在計(jì)算機(jī)輔助診斷、腫瘤識(shí)別、三維可視化、醫(yī)學(xué)影像

2、測(cè)量、多源影像融合、擴(kuò)展視野的超聲圖像拼接技術(shù)、腫瘤數(shù)據(jù)庫(kù)的建立、醫(yī)學(xué)圖像檢索、治療效果跟蹤與評(píng)價(jià)等醫(yī)學(xué)工程技術(shù)中不可或缺。超聲圖像反卷積和分割是兩個(gè)基礎(chǔ)性的困難問(wèn)題，在醫(yī)學(xué)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(xiàng)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(kuò)散，在邊緣區(qū)域則要滿(mǎn)足各向異性擴(kuò)散，從理論上對(duì)兩種情形下的擴(kuò)散做深入分析，推導(dǎo)出廣義TV模型滿(mǎn)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(yīng)，在正則項(xiàng)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(yán)重模糊、噪聲越多的情形下，更加體現(xiàn)了這種算法比改進(jìn)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(lái)的新方法，我們?cè)贒T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(dǎo)了新模型在第二代Curvelet變換域的求解，得到了一個(gè)關(guān)鍵性的Curvelet域收縮求解公式。最后對(duì)圖像反卷積模型給出了算法步驟和實(shí)驗(yàn)，驗(yàn)證了反卷積效果和算法計(jì)算復(fù)雜度，模型收斂快，比LHLLAV模型省時(shí)，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(yīng)用，我們?cè)谙∈璺纸饪蚣芟拢⒘嗽贐esov光滑

6、空間上的圖像變分泛函反卷積模型。在負(fù)Hilbert-Sobolev空間上約束數(shù)據(jù)項(xiàng)，正則項(xiàng)用稀疏性和光滑性來(lái)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(shí)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(gè)模型，交叉迭代求解。實(shí)驗(yàn)驗(yàn)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(xué)超聲圖像分辨率低，斑點(diǎn)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(hào)反卷積模型來(lái)改善超聲成像的質(zhì)量。模型包含兩個(gè)正則項(xiàng)，分別用來(lái)約束信號(hào)的光滑性和字典表示的稀疏性，應(yīng)用高階統(tǒng)計(jì)量和MA模型估計(jì)點(diǎn)擴(kuò)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(duì)反卷積的信號(hào)進(jìn)行動(dòng)態(tài)濾波、包絡(luò)檢波、二次抽樣、動(dòng)態(tài)壓縮、灰階映射后得到超聲灰度圖像。實(shí)驗(yàn)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(duì)比度也得到增強(qiáng)、斑點(diǎn)噪聲明顯減少，成像質(zhì)量得到提高。
　　 (3)幾何活動(dòng)輪廓模型的超聲圖像分割
　　 幾何活動(dòng)輪廓模型是圖像分割非常有效地方法，是近年來(lái)研究的熱點(diǎn)。醫(yī)學(xué)噪聲圖像的分割很困難，為了同時(shí)進(jìn)行噪聲去除和圖像分割，提出了基于分解的圖像活動(dòng)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(dòng)輪廓模型集成的一個(gè)變分泛函。由于模型直接求解困難，把它分裂成2個(gè)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(xiàn)性偏微分方程，可用梯度下降流求解。實(shí)驗(yàn)結(jié)果表明我們提出的模型不但可對(duì)噪聲圖像去噪，而且在相同的實(shí)驗(yàn)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(biāo)部分。
　　 隨著活動(dòng)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(shí)去除圖像的噪聲，用非負(fù)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(guò)程中邊緣和紋理信息不被模糊。首先創(chuàng)造性地將分類(lèi)器中的Fisher準(zhǔn)則函數(shù)引入到圖像分割中，從分類(lèi)的角度對(duì)C-V模型給出了Fisher解釋?zhuān)袴isher準(zhǔn)則作為分割的標(biāo)準(zhǔn)來(lái)建立一個(gè)基于區(qū)域和邊緣相結(jié)合的變分水平集分割模型，同時(shí)完成去噪和分割。其次詳細(xì)討論了該模型的數(shù)值求解方法，實(shí)驗(yàn)驗(yàn)證了用Fisher值來(lái)衡量分割標(biāo)準(zhǔn)的理論的正確性和

11、可靠性以及模型中正則項(xiàng)約束在去噪過(guò)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(duì)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(diǎn)噪聲，全自動(dòng)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(yīng)用前景的方法?；趫D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