مقاله کاهش نویز لکه ای در تصاویر سه بعدی اولتراسوند در فضای ویولت .

بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

کاهش نویز لکه ای در تصاویر سه بعدی اولتراسوند در فضای ویولت.
چکیده
یکی از عوامل مزاحم در فرایند تشکیل تصویر سه بعدی در دستگاهای اولتراسوند ، نویز لکه ای (peckle 11OISeلا) است. این نویز باعث افت کیفیت بصری تصاویر می شود و تقطیع (SegmentallOn) خودکار حجمهای بدست آمده را دشوار می سازد. در این مقاله، روش آستانه گذاری بلوکی روی ضرایب ویولت به سه بعد گسترش داده می شود. در ادامه درون حجم با روش کنی مرزها استخراج می شوند و ماسک مرز تشکیل می شود. از این ماسک برای تشخیص نواحی همگن استفاده می شود. با ترکیب ماسک مرز و آستانه گذاری بلوکی روی ضرایب ویولت علاوه بر حذف نویز لکه ای مرزها و جزئیات تصویر حفظ میشود. پیاده سازی های عملی نشان می دهد روش آستانه گذاری بلوکی از روش birge| بیشتر نویز لکه ای را حذف می کند و کاراتر است.
کلمات کلیدی - آستانه گذاری بلوکی، اولتراسوند سه بعدی، تبدیل ویولت، نویز لکه ای.
۱- مقدمه
در دو دهه اخیر محبوبیت تصویر برداری ۳ بعدی در میان پزشکان افزایش یافته است. حجمهای سه بعدی که از بافتهای بدن تهیه می شوند، درک فضایی مناسبی نسبت به بافت در اختیار پزشک قرار می دهند و به فرایند تشخیص و درمان کمک قابل توجهی می کنند. لذا استفاده از سیستمهای تصویربرداری سه بعدی در بیمارستانها و کلینیکها گسترش چشمگیری یافته است. تصویر برداری سه بعدی با استفاده از اولتراسوند نسبت به سایر روشها از جمله مقطع نگاری کامپیوتری (CT) یا تشدید مغناطیسی (MRI) بسیار ارزانتر است و هزینه نگهداری آن اندک می باشد. همچنین از لحاظ فیزیکی دستگاهای تصویر برداری اولتراسوند اندازه بسیار مناسبی دارند به نحوی که جدیداً انواع قابل حمل این دستگاه نیز طراحی شده است دستگاهای تصویربرداری سه بعدی اولتراسوند از لحاظ نحوه استخراج تصویر به سه دسته تقسیم می شوند: دسته اول از پروبهای ماتریسی استفاده می کنند. این نوع به خاطر وجود بالهای سخت (Grating lobe) تنها در حد آزمایشگاهی تولید شده اند و تحقیقات همچنان روی آنها ادامه دارد. در دسته دوم کاربر آزادانه پروب اولتراسوند را اطراف بافت جابجا می کند و دستگاه با استفاده از مکان و زاویه پروب و تشابه میان برشها، حجم را تشکیل می دهد. به این دسته از دستگاهها (frce hand ) گفته می شود. دسته سوم که اکثر دستگاهای موجود در مراکز درمانی را شامل میشود از یک پروب آرایه ای تشکیل شده اند که توسط یک موتور پله پله جابجا میشود و برشهای متوالی از بافت تهیه می شود. با کنار هم قرار گرفتن برشهای دوبعدی حجمهای سه بعدی از بافت تشکیل می گردد. در این تحقیقی هدف کاهش نویز لکه ای در تصاویر حاصله از دستگاهای نوع سوم بود. کیفیت تصاویر ابتدایی دستگاهای اولتراسوند چندان مطلوب نیست و نیاز است تا با پردازشهای اولیه تصاویر ارتقاء یابند. یکی از مهمترین عوامل کاهش کیفیت تصاویر اولتراسوند نویز لکه ای(Speckle noiSe) است. این نویز به صورت دانه دانهای روشن درون تصاویر B-mod قابل مشاهده است. این لکه ها ممکن است موجب تشخیص نادرست شوند. علاوه بر این در تصاویر سه بعدی . نویز لکه ای الگوریتمهای تقطیع (Segmentation) اتوماتیک را با مشکل مواجه می کند. با توجه به این مشکلات در اکثر دستگاهای اولتراسوند یکی از اولین پردازشها، کاهش و حذف این نویز می باشد. در این مقاله روشی مبتنی بر کاهش نویز در محیط ویولت ارائه می شود. به این شکلی که در ابتدا از حجم اولتراسوند تبدیل ویولت گرفته می شود. در هر زیر باند، آستانه گذاری به صورت محلی و تطبیقی انجام می شود. آستانه در هر زیر باند با توجه به وجود مرز و مرحله تجزیه، تنظیم می شود. بعد از استانه گذاری با تبدیل معکوس ویولت حجم بازسازی می شود. نتایج نشان می دهد که در روش پیشنهادی، برخلاف روشهای قبلی، مرزهای درون بافت محو نمی شوند و جزئیات حفظ می شوند. همچنین نویز لکه ای کاهش قابل ملاحظه ای دارد.
۲- ارائه روش
۱-۲ - مرور کارهای قبلی
بسیاری از مراجع علت نویز لکه ای را همپوشانی ناخواسته امواج پخشی (ScattererS) می دانند || ۲ || ساختارهای درون بافت زوایای مختلف بامتداد پالس اولتراسوند می سازند و به طبع آن بازتابشهای فراوانی در راستاهای مختلف ایجاد میشود. همپوشانی امواج ناخواسته در بعضی نقاط تولید شکم و در برخی نقاط تولید گره می کنند که به صورت لکه های روشن و تیره در تصویر -B MOD قابل مشاهده است. یکی از اولین کوششها برای برسی نویز لکه توسط بورکهارت (Burckhardt) انجام شد || ۲ || وی برای این نویز توزیع رایلی (Rayleigh) را پیشنهاد داد.
.
P(X) = --exp(--) \ expe- (\) در تحقیق دیگر برای امواج پخشی در صفحه مختلط توزیع گوسی دو بعدی با میانگین صفر ارئه شده است || ۳ || پوش دتکتور در سیستم اولتراسوند فاز سیگنال را از بین می برد لذا توزیع سیگنال رایلی می شود. باید توجه کرد که عملکرد سیستم تصویری معمولا به شکل فرمول زیر است

تصویر خروجی ، D ضریب تقویت، A سیگنال بدست آمده از پوش دتکتور و G ثابت گین خطی است. از آنجایی که سیگنال A حاوی نویز ضرب شونده با توزیع رایلی است در نهایت با اعمال لگاریتم در حین فرایند تصویرگیری این نویز جمع شونده می شود. با توجه به نامطلوب بودن این نویز فعالیتهای فراوانی برای کاهش ن انجام شده است. بسیاری از فیلترهای مکانی از جمله میانه ، میانگین وزندار ا۴و۵ ا، فیلتر رشد دهنده ناحیه ای (ARGFgL, sol (Aggressive Region Growing Filter تطبیقی برای کاهش این نویز استفاده شده اند. اما این روشها موجب محو شدن مرزها و ساختارهای ریز در تصویر می شوند و در مواقعی ممکن است ساختارهای ریز درون بافت را کاملا محو کنند روش دیگر برای کاهش نویز لکه ای استفاده از گسترش تصویر (Image DiTTuSion) می باشد. روشهای مبتنی بر گسترش اکثرا غیر خطی و چند مقیاسی هستندا۷ و ۸ . این روشها مرزهای موجود در تصویر یا بافت سه بعدی را حفظ می کنند اما در کاهش نویز چندان موفق نیستند و نمی توانند به صورت یکنواخت نویز حجمهای اولتراسوند را کاهش دهند در روشهای فرکانسی سعی می شود تا تابع تخریب دستگاه تصویرگر مدل شود و با استفاده از پارامترهای مدلی، تخریب جبران شودا اما معمولا برای یک دستگاه مدل تخریب نویز لکه ای ثابت نیست و پارامترهای توزیع نویز در بافتهای مختلف باهم متفاوت است. لذا استفاده از یک مدلی ثابت برای کلیه برشهای یک حجم جواب مناسبی ندارد. یک رویکرد نسبتا جدید برای کاهش نویز لکه ای در حجمهای ۳بعدی اولتراسوند استفاده از تبدیل ویولت می باشد. تبدیل ویولت به خاطر تمرکز در زمان و فرکانس در کاهش نویز و فشرده سازی سیگنال بسیار موفق عمل می کند. برای حذف نویز لکه ای در حجمهای ۳ بعدی در حوزه ویولت مهمترین گام انتخاب نحوه آستانه گذاری است. چن(Chen) نشان داد سطوح آستانه ای که از روشهای متداول تخمین آستانه از جمله GCV c. 4 (Generalized. Cross, Validation-procedure) آیند، مقدار کمی دارند و نمی توانند به خوبی تمام نویز لکه ای را از بین ببرند وی برای رفع این مشکل از یک ضریب مقیاس کننده استفاده کرده است که درون هر زیر باند سطح آستانه تخمین زده شده توسط GCV را افزایش می دهد. ریز بافتهای درون یک حجم در برشهای مختلفی که حجم را می سازند، امتداد یافته اند حال آنکه نویز لکه در برشهای مختلف به صورت ناهمبسته وجود دارد، پس کاهش نویز در سه بعد با تکیه بر همبستگی بافت در درون حجم به طور منطقی جواب مطلوبی خواهد داشت. در اکثر کارهای قبلی از حجم سه بعدی به صورت کلی تبدیل ویولت گرفته می شود و روی زیر باندهای مختلف با توجه به توزیع ضرایب، آستانه مطلوب تخمین زده می شود. مستقل از شیوه تخمین آستانه می توان گفت آستانه مطلوب وابسته به توزیع نویز در هر زیر باند می باشد. این توزیع در بیشتر روشهای قبلی تخمین برای کلی حجم یکسان در نظر گرفته می شود. علاوه بر این در روشهایی جدید که برای کاهش نویز ارائه شده اند، تمهیدات اضافی برای حفظ جزئیات و مرزهای تصویر در نظر گرفته می شودا ۱۰ و ۱۱ ا. آنچه که تاکنون کمتر به آن پرداخته شده است آستانه گذاری بلوکی روی ضرایب ویولت است
از آنجایی که نویز لکه ای توزیع وابسته به بافت داردا ۲ و ۱۴ ابراین اساس رویکرد محلی و آستانه گذاری بلوکی گزینه مناسبی برای کاهش نویز تطبیقی است. از طرفی حفظ مرز ها و جزئیات تصویر نیز باید مد نظر قرار گیرد. ۲- ۲- راهکار حذف نویز در محیط ویولت به این شکل که در ابتدا از حجم اولتراسوند تبدیل ویولت گرفته می شود. در هر زیر باند، آستانه گذاری به صورت محلی و تطبیقی انجام می شود. آستانه در هر زیر باند با توجه به وجود مرز و مرحله تجزیه، تنظیم می شود. به طور کلی کاهش نویز در محیط ویولت از سه بخش تشکیل شده است: اعمال تبدیل به سیگنال، اصلاح ضرایب و اعمال عکس تبدیل و بازسازی سیگنال، پس در گام اول تبدیل ویولت به حجم اعمال می شود و در هر سطح تجزیه ۸ زیر باند که اصلاح ضرایب تنها روی زیر باند LLL انجام نمی شود. در این نوشته ظرایب با نماد { }{0 نمایش داده می شود. d بیانگر راستای زیر باند است و قاعدتا در هر سطح تجزیه یکی از مقادیر LLLتا HHH است. k مکان ضریب را نشان می دهد و j سطح تجزیه را نشان میدهد. توابع پایه مختلفی برای کاهش نویز لکه ای مورد استفاده قرار گرفته اند در پیاده سازی های اولیه تابع دابینچی ۵ جواب مطلوبی داشت و در ادامه به عنوان پایه ویولت استفاده می شود. شایان ذکر است که سایر پایه ها از جمله تابع گابور نیز جواب مطلوبی داشتند. روشهای مختلفی برای اصلاح ضرایب از جمله آستانه گزاری سخت ونرم یا انقباض Shrinkage ضرایب وجود دارد. در زمینه کاهش نویز لکه ای در تصاویر سه بعدی اولتراسوند دو نکته قابل تعمل است. اول چنانکه در قسمت قبل نشان داده شد برشهای مختلف دارای توزیع نویز متفاوتی هستند به طبع در زیر باندهای تشکیل شده نیز نویز در برشهای با فاصله، توزیع متفاوتی دارد. لذا در عمل وقتی آستانه روی کل زیر باند تخمین زده می شود، به خوبی نمی تواند کل نویز را پوشش دهد. نتایج پیاده سازیهای اولیه ما نیز این استدلال را تصدیق می کند. برای بهبود تخمین آستانه از رویکرد محلی درون هر زیر باند استفاده کردیم. پایه های نظری این روش اولین بار توسط هال (Hall) ارائه شده است ۱۲ ا. وی همچنین کارایی آستانه گذاری محلی را نسبت به آستانه گذاریهای جزء به جزء (terTm-by-term) نشان داده است. همچنین بیان می شود که اندازه مناسب برای بلوک توانی از (LOg(n است. درون هر زیر باند، زیر حجمی متناسب با اندازه زیر باند تولید می شود. هالی نشان داد که بهینه ترین اندازه برای بلوک (0)L = log می باشد. لذا ما نیز این مقدار را انتخاب کردیم ا۱۵ا ضرایب درون هر مکعب با 0 نمایش داده می شوند. پارامتر jb بیانگر بلوک (ام از زیر باند ام است. .
این حالت مکعبی با اندازه L درون زیر باند بدون همپوشانی جابجا می شود و درون این زیرحجم ضرایب اصلاح می شوند. برای اصلاح ضرایب در حالت محلی درون هر بلوک مکعبی مجموع مربعات ضرایب محاسبه می نشود .

اگر واژه از مقدار بیشتر بود کلیه ضرایب درون بلوک حفظ می شوند وگرنه کلیه ضرایب حذف می شوند.

تاثیر انتخاب اندازه بلوکها (L) روی دقت نهایی چشمگیرتر از مقدار ثابت A است. تنها شرط اعمالی برای این ثابت 48 < A است. این پارامتر میتواند توسط کاربر تعیین شود. n تعداد ضرایب درون بلوک و O واریانس نویز تخمینی است. روشهای آماری فراوانی برای تخمین واریانس نویز از روی ضرایب ارائه شده است. در این مقاله برای تخمین واریانس از میانه انحراف قدر مطلق ضرایب در ضریف ترین زیر باند استفاده می شود.

دیگر اتفاق نامطلوب که در حین کاهش نویز رخ می دهد محو شدن مرزها و جزئیات تصویر است. برای کاهش این اثر در الگوریتم پیشنهادی شدت کاهش نویز (اصلاح ضرایب) به صورت خودکار، متناسب با وجود مرز در بافت تنظیم میشود.
۳-۲- تشخیص مرز درون بافت
نقاط تیره درون بافت به صورت مقادیر بزرگ منفی و نقاط روشن درون بافت با مقادیر مثبت درون ضرایب ویولت مشخص می شوند. مرزهای اصلی درون بافت در هر کدام از زیر باندها به شکل یک تغییر سریع و نوعی عبور از صفر قابل مشاهده است. لذا روشهای متنوعی برای تشخیصی مرز بر اساسی ضرایب پیشنهاد شده اند. یکی از بهترین الگوریتمها توسط مالات (Imallat) ارائه شده استا۱۶ از این روش در حقیقت انتقال روش کنی (CallTV) ۱۷ ا به محیط ویولت می باشد. در نقاط مرزی قدر مطلق گرادیان به صورت محلی بیشینه می شود. تشخیص مرز کنی ابتدا با یک تابع گوسی تصویر را نرم می کند و با پیدا کردن بیشینه محلی قدر مطلق گرادیان پکسلهای مرزی را تشخیص میدهد. بسط روش کنی به سه بعد نیازمند ارائه سه پایه ویولت متعامد است که هر کدام مشتق تابع نرم کننده در یکی از سه راستای اصلی باشند ۱۶ الذا محاسبه تبدیل ویولت جدید برای رتشخیص مرز بر پیچیدگی الگوریتم می افزاید. پس در ادامه تشخیصی مرز درون حجم خارج از حوزه ویولت، روی حجم واقعی و در حوزه مکان انجام می شود. برای تشخیصی مرز به صورت ۳ بعدی، روش پیشنهادی کنی به سه بعد گسترش داده شد. در نهایت خروجی الگوریتم تشخیصی مرز، یک ماسک سه بعدی باینری هم اندازه حجم اولیه است. در این ماسک لبه ها با یک و نواحی یکنواخت با صفر نشان داده شده اند. در ادامه این ماسک با E نشان داده می شود. شکل ۱ نمونه ای از مرز استخراج شده درون بافت را نشان می دهد..

۴-۲- اصلاح ضرایب با توجه به وجود مرز یکی از خصوصیات مطلوب تبدیل ویولت تمرکز مکانی ضرایب است. مثلا اگر در ناحیه مشخصی از بافت مرز وجود داشته باشد. در ناحیه متناظر درون ضرایب نیز این مرز نمود می یابد. در ادامه از این خاصیت برای کاهش محو شدن مرز استفاده می کنیم. برای هر بلوک تعداد پیکسلهای مرزی در حجم متناظر سنجیده می شود. در صورتی که این مقدار از سطح استانه بیشتر باشد ضرایب این بلوک حفظ می شود. وگرنه طبق روال قبل فیلتر می شوند. برای محاسبه یک شاخص کمی که مرز را درون هر بلوک نشان دهد، e jp تعریف می شود.

e/b مجموع و گسلهای ماسک مرزی (E) در بازه متناظر با بلوک است. در نهایت از ترکیب {ell و Sij برای حذف ضرایب استفاده
می شود.

T آستانه حفظ مرز است که توسط کاربر تعیین می شود. ۳- پیاده سازی عملی الگوریتم برای سنجش کارایی و مقایسه الگوریتم پیشنهادی با سایر الگوریتمها روش پیشنهادی روی دو دسته داده پیاده سازی شد.
دسته اولی ۳۵ حجم با ابعاد ۱۲۸×۲۵۶×۲۵۶ می باشد. درون هریک از این حجمها به صورت تصادفی حجمهای کوچکتری از جمله مکعب ، استوانه و کره قرار گرفت. سطح روشنایی زمینه و اندازه هریک از این حجمها رندوم در بازه صفر تا یک انتخاب می شود. نحوه تشکیل این حجمهای آزمایشی به صورت اتوماتیک بود. با توجه به مدل نویز لکه ای، (فرمول ۱) به این حجمها نویز با دامنه اتفاقی اضافه شد. به این ترتیب چون حجمهای واقعی در دسترس هستند امکان برآورد کمی کارایی حذف نویز میسر می شود. برای کمی کردن میزان حذف نویز روی داده های دست ساز از معیار زیر استفاده شد.