一种基于亮度和梯度调制的医学图像增强新方法外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

一种基于亮度和梯度调制的医学图像增强新方法

摘要：

医学图像在现代诊断中起着非常重要作用，但图像质量往往受到不均匀照明和低亮度的影响，进一步会影响诊断结果，甚至导致实际应用中的误诊。为了获得清晰准确的医学图像，本文提出了一种基于亮度和梯度调制（LM＆GM）的新方法。 LM＆GM是一个两步法，首先，通过压缩输入图像的亮度范围，利用亮度级调制（LM）操作增加视觉感知，其次，使用梯度调制（GM）操作来增强上一步结果的细节。通过结构相似性测量指数（SSIM），平均梯度（AG），对比度相对增强（REC）和信息熵（IE）对来自医学图像数据集的CT图像，X射线图像和MRI图像的实验结果的定量分析表明，和现有方法相比具有压倒性的竞争优势。

关键词：

亮度级调制 梯度调制 医学图像 图像增强

1. 引言

医学成像是用于诊断、解释和监测与人体下层组织相关的疾病的最广泛使用的技术之一^[1,2]。每种医学成像模态的适合性高度依赖于要成像的组织。通常，X射线是高密度组织（例如骨骼）最常用的成像模态，而磁共振成像（MRI）和计算机断层扫描（CT）常用于人体中的低密度组织。然而，由于诸如系统成本和医学成像的固有特性等几个因素的限制，所获得的图像总是具有低对比度、低亮度和含有复杂噪声的特性。医学图像的对比度增强是一种非常实用且有前景的手段，它可以提高图像质量，并可以提高实际医疗应用的准确性和效率^[3]。现已经提出了许多方法来改善医学图像的质量，例如细节检测，对比度增强和灰度级变换^[4-6]。

小波变换和其他进一步发展的技术在医学图像处理中起着重要作用，如压缩^[7]，分割^[8]，增强等。例如[9]介绍了一种基于双树复小波变换、非局部均值滤波和奇异值分解（DTCWT-NLM-SVD）的医学图像分辨率增强方法。双树复小波变换用于获得高频子带和与输入的低分辨率图像组合的增强图像。 NLM滤波器用于减弱DTCWT产生的伪像，且SVD用于增强图像的对比度。 DTCWT-NLM-SVD实现了有效的结果，同时避免了伪影;但由于计算结构复杂，需要较长的时间。参考文献^[10]提出了模型图像的图形结构，首先采用小波滤波来获得磁共振图像的稀疏表示，然后提高了其重建性能。该方法与图像强度和细节方面的完全采样图像一致;但由于冗余而导致计算时间长。

总变差（TV）方法是一种传统的图像增强方法，通常广泛用于医学图像处理。在[11]中引入了总广义变化（TGV）方法，这表明图像的二阶导数相对于使用一阶导数的传统TV有了进一步的改进。此方法可以有效地保留图像的锐利边缘，但可能会导致额外的晕圈和伪影。 S.J.Liu等[12]提出了TV框架工作（JCTV）中的联合约束，以图像块为单位,以模拟补丁的局部稀疏和非局部相似性提高了电视规范的适应性，采用线性最小均方误差提高了其重建性能。这种方法克服了阶梯效应，但省略了各向同性TV，这是由于在各向异性版本中难以分解TV规范。参考文献[13]提出了一种新的基于总变差的0 min-imization（TV-0）模型来用于图像的基本和细节分解。 TV-0方法采用基层动态范围修改和细节层细节放大。该方法增强了图像的细节，但导致了光晕和假象。

直方图均衡（HE）相关方法也可用于图像增强。全局直方图均衡化（GHE）^[14]是一种直接的方法，在图像中出现极详细的信息处，可用于增强信息区域和最常见的灰度级。然而，GHE可能会导致最频繁的灰度级过度增强。在参考文献中提出了一种用于MRI图像对比度增强的新型平均强度替换自适应直方图均衡（AIR-AHE）。 [15]包括部分对比度拉伸、对比增强、窗口滑动邻域和新的像素质心替换。该方法可以有效地增强MRI图像的潜在白色哑光超强度（WMHs），最大可能正确的对WMH进行分类。然而，由于迭代操作，该方法的计算时间很长。参考文献[16]提出了一种用于图像对比度增强的二维直方图均衡化方法（2DHE）。 2DHE基于直方图均衡，并利用每个像素周围的信息来增强输入图像的对比度。 2DHE可以增加亮度，但在揭示完整的全局信息和细节时也可能无效。

其他类型的对比度增强方法都可以用于增强医疗影像。参考文献 [17]提出了局部和全局灰度S曲线变换（LGS-Curve）。 该方法在从各种模态获得的医学图像中局部地应用灰度级S曲线变换技术，并通过增加图像中的最大和最小灰度级之间的差异来增强对比度。然而，LGS-Curve方法降低了小细节的清晰度并导致了块效应。 在[18]中提出了直方图修改的局部对比度增强（HMLCE）方法来调整对比度增强的水平，这反而导致得到的图像具有强烈的对比度并且改善了原始图像中存在的局部细节以获得更相关的说明。 该方法结合了两个阶段的处理，包括直方图修改和局部对比度增强技术，但会导致显著的晕圈和伪影。

上述方法可以很好地适用于某些图像，例如亮度水平为0-255 ^[19,20]范围内的8位图像。 然而，在实际应用中，医学图像的情况总是复杂的，尤其是那些属于高动态范围情况的图像，这是由于这些图像以DICOM格式存储。 医学数字成像和通信（DICOM）是医学图像存储和通信的标准格式，它们广泛应用于医学放射诊断领域^[21,22]。 DICOM格式的图像包括8位图像和高动态范围（HDR）图像，其中熟悉的类型是具有4096个亮度级别的12位图像和具有65,536个亮度级别的16位图像。 由于成像环境和原理的特定特性，DICOM图像总是具有像素的亮度不均匀和低对比度的特性。 上述方法对于这些高动态范围图像并不完全有效。

为了获得一种普遍适用的DICOM格式医学图像增强方法，本文提出了一种基于亮度调制和梯度调制（LM＆GM）的新型对比度和细节增强方法。LM操作用于压缩亮度级范围来保护亮度级之间的差从而获得更好的视觉质量，并且GM操作使用改进的快速局部拉普拉斯滤波器来增强图像的细节。实验结果表明，与最先进的方法相比，LM＆GM可以提高对比度，增强视觉效果细节，避免伪影。通过客观评估和比较计算时间也表明LM和GM的理想增强性能优于其他方法。

2.材料和方法

2.1最先进的方法

局部拉普拉斯滤波器（LLFs）最初在参考文献[23]中被Paris等人提出，该方法通过设定各种参数可以实现高质量的图像增强效果。 然而，尽管采用启发式近似来减少运行时间，但这些滤波器的运行速度相当慢。 Mathieu Aubry首次提出了快速局部拉普拉斯滤波器（FLLFs），它被认为是LLFs的加速模式，该方法通过设计理论上接地的子采^[24]。 FLLFs已广泛用于自然图像增强领域。 FLLFs的过程如下所示：

（1）

其中j是条件，使得，并且系数由预先计算的金字塔j和j 1内。是高斯pyramids在水平和 位置(x,y)的系数。 采样点处的g = 的重新映射函数被尽可能稀疏地采样而不会损失精度。是一组在水平的预先计算的pyramids，并且可以由计算。 重映射函数如下所示：

（2）
其中，C()是由概率密度函数（PDF）^[25]计算的累积分布函数（CDF）：

(3)
其中PDF是图像中每个亮度级别的概率密度，可以通过以下公式计算：

(4)

其中n（i）是亮度级i的像素数，Htimes;W是图像的大小。

2.2方案说明

为了缩小输入图像的亮度等级范围，提高视觉质量并保护原始图像的有效信息，本部分提出了亮度级调制（LM）方法。考虑输入图像的V ={|1le;mle;H，1le;nle;W}，大小为Htimes;W，亮度级别设为[,]，其中。增强图像OLM的亮度级别可以压缩成区间[,]，其中OLM ={|1le;mle;H，1le;nle;W}，,LM操作将输入图像的每个亮度级别考虑在内，并使用映射将与其他亮度级别具有较大差异的亮度级别限制在合适的范围内。设和是输入图像V和输出图像OLM的N个不同亮度级别的有序集合，其中和。映射定义为：

(5)
其中N和omega;是用于调制亮度级别的压缩程度的参数。通过使用公式(5)，输入图像V的每个亮度级被变换为相应的输出亮度级，以产生增强的输出图像OLM。f(i)被详细的定义为：

(6)

其中和,GV和是每个排序亮度水平的差异和重新计算的差异，和被计算为：

(7)

其中分别是控制亮度级别的压缩程度和确定需要压缩亮度级别的起始点的参数。

FLLFs能有效增强自然图像; 但是可能不能增强医学影像。为了增强DICOM格式医学图像的细节和边缘，在LM操作之后采用基于具有修改重新映射功能的改进的FLLFs的梯度调制（GM）操作。 梯度调制（GM）计算如下：

(8)

其中G(M)和G(I) 分别是所述梯度的模型函数和所述的输入图像。OLM是亮度级调制的结果图像，C()是由方程式计算（3）的累积的分布函数。 输出结果O_final是通过折叠（OGM）获得的：

(9)

2.3评估标准

使用四个客观评估标准来比较所提出的方法与其他方法的性能。 标准是结构相似性指数度量（SSIM），平均梯度（AG），对比度（REC）的相对增强和信息熵（IE）。

SSIM ^{[ 26 ]} 是比较原始图像X 和处理图像Y指数测量的相似性的参数，计算出：

(10)

其中分别是x 和y 的平均值,分别是方差和协方差。²和²是两个常数，其中k₁ = 0.01并且k₂ = 0.03，且L是像素值的动态范围。

AG考虑每个相邻像素的变化来测量图像的梯度幅度。 AG公式如下：

(11)

其中Htimes;W是图像的大小，G（bull;）是图像的梯度向量。

REC^[14]表示输入图像和增强图像之间的对比度的比值。 REC的公式是:

(12)

其中C是所有3times;3块单位的平均对比度。 C_original和C_processed分别是输入图像和处理图像的对比度。原始图像的REC值为1。

IE是评估图像中信息质量的重要因素。IE的公式如下：

(13)

其中Z表示图像像素值的集合，z是图像的像素，P（z）表示一个像素值出现的概率。

3.实验

3.1参数选择

和的功能分别为控制亮度级的压缩程度和确定需要压缩亮度级的起始点。 从第2.2节中的公式(5)-(7)开始。

公式（14）和（15）代表条件为= 1和= 1的一系列连通结果。当= 1时，重新计算的差值等于，所以函数分f(i)= 0，意思是压缩图像与输入图像相同。当= 1时，阈值k等于亮度等级与原始图像的差值的最大值，这导致比较函数S（x）= 1; 因此，公式（15）的结果与（14）的结果相同。 k的值大于或等于G_V的最小值，并且通常大于零。通常和的范围是0-1。

对于不同的values值，LM的处理结果如图4和图5所示。从图1和图2中可以看出，增强的结果在视觉上变得更好，当变小时，= 0.01，并且当= 0.5时，变化具有相同的趋势。 来自比较图1（d）和（e），结果在视觉上可以看出= 0.5和= 0.1的结果类似，而理论上，太小的value值可能导致过度压缩并影响图像质量，这是由于因为用于压缩亮度级别范围。因此，参数和分别设置为0.5和0.01。

图1 原始乳房MRI图像和对于不同的= 0.01的值，由LM处理的图像：（a）原始图像; （b）= 0.9的增强结果; （c）= 0.7的增强结果; （d）= 0.5的增强结果; （e）= 0.1的增强结果

图2 原始乳房MRI图像和对于不同的= 0.5的值，由LM处理的图像：（a）原始图像; （b）= 0.5的增强结果; （c）= 0.3的增强结果; （d）= 0.1的增强结果; （e）= 0.01的增强结果

图3和4展示了原始图像、由LM得到的处理图像，并且在相

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18201]，资料为PDF文档或Word文档，PDF文档可免费转换为Word