医学超声图像的斑点噪声抑制方法研究.pdfVIP

医学超声图像的斑点噪声抑制方法研究

摘要

医学超声图像相较于CT扫描、磁共振成像和X射线等医学成像而言具有安

全、成本低的优点。然而在超声成像时，超声波在不同组织传播中会发生反射、

散射、干涉等现象，导致超声波换能器接收的回波信号发生改变，从而在超声图

像上呈现出明暗相间的斑点噪声。斑点噪声降低了医学超声图像质量，导致图像

对比度降低和细节模糊等问题，进而可能影响临床医生对病灶的诊断，抑制斑点

噪声是医学图像识别、分析和理解的首要任务。传统去噪算法往往假设图像满足

某种特性，优化的贝叶斯非局部均值（OptimizedBayesianNon-LocalMeans,

OBNLM）算法是一种基于图像的“空间相似性”特性的算法，充分利用图像中

大量冗余信息恢复目标像素块的像素值，该算法去噪效果优于大部分传统去噪算

法，但在保留边缘信息方面并不是很理想。随着近几年深度学习的发展，其强大

的特征学习能力使得处理后的去噪图像达到更理想的去噪效果。去噪卷积神经网

络（DenoisingConvolutionNeuralNetworks,DnCNN）模型利用残差学习从噪声

图像分离噪声，进而得到去噪图像。本文从基于传统方法和基于深度学习模型的

图像去噪算法两个角度进行研究，对OBNLM和DnCNN算法进行深入研究，提

出了改进权值函数的贝叶斯非局部均值方法与优化DnCNN算法，本文研究工作

主要包括以下几个方面：

对于OBNLM算法中的指数型权值函数在计算邻域块权值时，随着相似距

离的增加其权值衰减较缓慢，从而降低了权值分配的准确性。本文通过分析指数

型权值函数的特点与不足，提出Turkeybi-weight函数与指数型函数相结合作为

权值函数，以改善贝叶斯非局部均值算法抑斑的权重估计。对于OBNLM算法在

度量图像块相似性时仅使用皮尔逊距离，不能充分考虑图像块中的结构信息。本

文提出一种图像块预选择的方法，该方法综合图像块的局部均值和标准差，考虑

了图像块的结构信息，即忽略相似度较低的邻域块，不考虑与目标图像块非相似

的邻域块，进而预先选择出高相似度的邻域块集合。

对于DnCNN模型区分图像中的平坦区域和纹理区域的能力有限，忽略了噪

声输入图像中的不同内容，并且对它们一视同仁，导致输出的去噪结果中的一些

纹理细节无法恢复。本文在DnCNN模型基础上进行改进，提出了多损失函数融

合，改善由于使用MSE损失函数作为优化目标会导致生成图像上产生模糊伪影。

为了在不增加参数量的情况下提升感受野大小以及捕获多尺度信息，本文将扩张

卷积和普通卷积组合，构思了扩张卷积稀疏模块和内容增强模块。此外，引入基

于卷积块注意力机制模块（ConvolutionalBlockAttentionModule,CBAM）并融合

了残差结构，采用双注意力机制（结合基于通道和基于空间注意力机制）进一步

指导网络提取隐藏在复杂背景中的潜在细节特征信息。

实验结果表明，本文提出的两种改进方法在峰值信噪比、结构相似性和视觉

效果等评估指标均优于原始算法，在斑点噪声抑制和保持图像边缘细节方面，具

有较好的性能，并与现阶段其他优秀的去噪算法相比具有一定的竞争力。

关键词：医学超声图像，斑点噪声抑制，贝叶斯非局部均值，相似性度量，卷

积神经网络

ResearchonSpeckleNoiseSuppressionMethodforMedical

UltrasoundImages

ABSTRACT

Medicalultrasoundimagingissaferandlessexpensivethanothermedical

imagingmethods,suchasCTscanning,MagneticResonanceImaging,andX-ray.

However,inultrasoundimaging,ultrasonicwavesmayreflect,scatter,andinterferein

thepropagationofdifferenttissues,resultinginchang