CN103034979A - 一种超声图像清晰度提升方法 - Google Patents
一种超声图像清晰度提升方法 Download PDFInfo
- Publication number
- CN103034979A CN103034979A CN2012105009766A CN201210500976A CN103034979A CN 103034979 A CN103034979 A CN 103034979A CN 2012105009766 A CN2012105009766 A CN 2012105009766A CN 201210500976 A CN201210500976 A CN 201210500976A CN 103034979 A CN103034979 A CN 103034979A
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- size
- ultrasonoscopy
- edges
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声图像清晰度提升方法,设计了一种基于超声成像中散射与反射模型,结合自然图像降质模型中提高对比度方法求解,恢复强边缘或高密度区的反射信号,对于不同亮度区域,选择不同等级曲线控制散射影响,从而获取更高对比度的清晰图像。本发明提供一种具有更高清晰度的医学超声图像显示方法,尤其对于血管,胎儿羊水的等液性物质与组织的分界处,加强边界轮廓及增强组织内部小细节的识别,通过本发明方法处理提供高分辨率的图像,从而更好地辅助医生诊断。
Description
技术领域
本发明属于医学超声成像显示技术领域,涉及一种超声图像清晰度提升方法,具体地说,涉及一种医学超声图像质量的对比度与细节分辨率提升的方法。
背景技术
医学超声影像因其对人体无损伤、非侵入、成像方式多种多样、检查费用低、实时性好等优点,已广泛应用于医学诊断的各个领域;特别是二维B模式影像,可提供人体组织结构在不同病理状态下的切面断层信息,能较为准确的发现人体组织中较深处微小病变,已成为医学检查的首选项目。超声成像是基于超声波的成像技术,以声学为物理基础。受声学物理特性的影响,如散射及干涉、组织声衰减及不同传播速度,加之不可避免的系统电子噪声等多种因素共同作用,超声影像相比与自然图像表现出较差的对比分辨率、细节分辨率及亮度均匀一致性,给超声医师的临床诊断工作带来困难。
为了更好地提供清晰图像,对比度提升,图像增强等后处理操作是必须的,按处理方法可以分为线性滤波和非线性滤波,按处理域可以分为空域方法和频域方法。空域方法是直接在图像上对象元进行处理;频域方法的基础是卷积定理。对比度小的图像,表现为灰度动态范围小,对某一段范围的灰度进行拉伸变换,增加灰度动态范围。图像的灰度动态范围很大,而显示设备的显示能力不够,常用的方法是对数压缩,调整图像的动态范围,或为突出某一灰度级采用灰度级切片。直方图均衡化方法单纯从像素上提升,寻找一个灰度变换,使得变换后图像在每一灰度级的像素个数都相同不能保证组织的真实性。自然图像对比度增强中,采用一系列技术去改善图像的视觉效果,或将图像转换成一种更适合于人或机器进行分析处理的形式。
结合图像对比度提升,与超声医学影像成像特点,我们知道,医学超声成像中探头接收的回波信号主要由组织对探头所发射的超声波反射与散射信号等所形成,利用接收到的信号形成图像,从而判别组织结构及其中可能的病变。复杂的医学超声图像被各种模型与算法所描述,但由于组织本来的复杂性,噪声的影响,没有一种方法能完全准确的描述身体内组织情况,我们只能无限去接近它,噪声对图像的影响就好比给图像蒙上一层纱布,从而使图像对比灵敏度下降。医学超声图像的显示应用中,现有的医学超声诊断仪设备的后处理中,常常加入时间复合,空间复合,频率复合,平滑,声速衰减补偿等相关后处理,在提高显示图像信噪比的同时,会使得超声图像蒙上一层更重的纱布似的“雾”,从而影响对比度与细节分辨率。噪声和边缘都表现为图像上灰度变化剧烈的区域。平滑噪声的时候也模糊了边缘,增强边缘的同时也强化了噪声,这是一个基本的矛盾。为提高显示对比度,非线性对比拉升技术、对数函数,指数函数,伽马函数,Sigmoid函数(S形状)等自然图像对比度提高的处理方法常用于优化医学超声图像,或是一些从人眼视觉感知上提升图像对比度的方法,总体而言,这些方法仅是从像素上去提高图像质量,几乎没涉及到医学超声成像原理。
当目标物远小于波长时,微小结构中散射起主要作用,生物组织内的散射主要由组织结构的大小和声学特性决定。在医学超声图像的显示中,通常自适应调节最强的边界或高强度值接近饱和值(例如,在8位数字表达中,使用255值),这样能获得更丰富的对比度且便于医生区分组织中病变。
发明内容
本发明的目的在于克服上述技术缺陷,提供一种超声图像清晰度提升方法,该方法基于超声成像中散射与反射模型,借助自然图像中降质模型中提高对比度方法进行求解,恢复强边缘或高密度区的反射信号,对于不同亮度区域,选择不同等级曲线降低散射影响,从而获取更高对比度的清晰图像,提高诊断准确性。本发明尤其对于血管,胎儿羊水的等液性物质与组织的分界处,加强边界轮廓及增强组织内部小细节的识别,通过本发明方法处理提供高分辨率的图像,从而更好地辅助医生诊断。
其技术方案为:
一种超声图像清晰度提升方法,包括如下步骤:
1)根据当前图像性能分析,进行对比度判定,是否需要清晰度提升处理,其中包括计算主要图像区域的均值与边缘数计算,对比度判定包括以下步骤:
a)计算出主要组织部位区域的像素均值;
b)统计表明一幅图像如果有更强的对比度,将会产生更多的边缘数,计算出组织部位区域的边缘数;
c)综合均值与边缘数的信息得出对比度判定:
2)根据超声图像形成特性,设定窗口的大小;
根据采集当前图像系统设定的深度,超声频率,选择合理窗口大小:
Scx=0.87λz/D
Scz=0.91C0/Δf
式中,Scx,Scz,分别为横向单元大小与纵向单元的大小,λ是波长,(λ=C0/Fc),z为采集图像深度,D是超声波束形成时所激活的探头孔径,C0是声速,(例如,1.54mm/μs),Fc是中心频率,Δf,通过Fc×bandwidth,“bandwidth”是带宽,以探头发射频率为基础的一个分数(例如80%);
3)按照设定窗口大小对整个图像进行遍历,在窗口内取最小值,获取块区域内暗元素;
4)形成块区域内暗元素图,便于查看特性,并进行优化;
5)通过块区域内暗元素图,计算出散射与强反射分界的A值;
6)构建与区域像素亮度对应的减函数等级,由此得到ω;
7)通过前面步骤2),3),5),6)操作,利用公式
得出传输率;
式中,t(z),是强反射或高密度区信号到达探头处的信号强度,R(y)为处理前的图,ω为根据区域亮度调整的减函数,A为散射与强反射或高密度区的分界值,Ω为深度z处的步骤2)所得的一个块大小区域;
8)获取传输率图,并进行适当优化;
9)利用公式
获得按不同等级减少散射影响的强反射与高密度区图像,从而提升医学影像图的对比度与细节分辨率,
其中,max为求取较大值,R(z)为探头接收信号强度图,S(z)为提升对比度后恢复出来的图,t0为一个下限值,防止个别噪声点的影响,同时由一个较小值限制,进一步保持一定程度的散射信息,获取更为丰富的信息。
步骤2)中所述超声图像形成特性是指图像采集深度,中心频率,点扩散函数(Point SpreadFunction,PSF),视觉感知最小区分对比度大小。
与现有技术相比,本发明的有益效果为:
本发明所述方法根据简化的超声成像模型,具有物理意义基础,同时结合图像对比度提升方法。在超声诊断系统检测中,允许医生根据实时观察的需要调节不同等级的清晰度,从而更好的区分局部潜在的微小病变。
附图说明
图1是医学超声影像清晰度提升流程图;
图2是利用本发明所述方法处理乳腺组织图,其中:a为处理前,b为处理后效果图;
图3是利用本发明所述方法处理羊水中胎儿肢体图,其中:a为处理前,b为处理后效果图;
图4是声泰特(成都)科技有限公司的超声系统实时采集处理前与处理后的对比图。
具体实施方式
下面结合附图与具体实施方式对本发明的技术方案作进一步详细地说明。
参照图1,一种超声图像清晰度提升显示方法,包括如下步骤:
1)根据当前图像性能分析,进行对比度判定,是否需要清晰度提升处理,其中包括计算主要图像区域的均值与边缘数计算,对比度判定包括以下步骤:
a)计算出主要组织部位区域的像素均值:
其中,M与N为选择的图像组织区I的大小,
b)统计表明一幅图像如果有更强的对比度,将会产生更多的边缘数,计算出组织部位区域的边缘数:
c)综合均值与边缘数的信息得出对比度判定:
上式中,为均值与边缘数的比值,作为对比度的衡量标准。
2)根据采集当前图像系统设定的深度,超声频率,选择合理窗口大小:
Scx=0.87λz/D
Scz=0.91C0/Δf
上式中,Scx,Scz,分别为横向单元大小与纵向单元的大小,λ是波长,(λ=C0/Fc),z为采集图像深度,D是超声波束形成时所激活的探头孔径,C0是声速,(例如,1.54mm/μs),Fc是中心频率,Δf,通过Fc×bandwidth,“bandwidth”是带宽,以探头发射频率为基础的一个分数(例如80%)。根据点扩散(point spread function,PSF)及视觉感知斑点大小进行相应调节。(例如,一幅线阵超声图像大小为512(高)×324(宽),采用Fc=5(MHz)探头80%的带宽,深度z=60(mm),线阵探头实际大小为38(mm),根据上面公式可得:横向单元大小为0.40(mm),纵向单元大小为0.35(mm),像素的大小在超声系统中同时也受到点扩散函数影响,通过测试图像一个单元约为5个像素表示,根据视觉感知,选择块窗口大小约为9×9。其它频率或深度的图像,可以此为参照。由图1可知,选择合适的窗口,在窗口内取极小值,可极大地减小散射体的影响。
3)根据前面原理所设定窗口大小对需要进行处理的整个图像进行遍历,在窗口内取最小值,例如,采用一种快速的迭代方法,使得运算速度不随着窗口大小的改变而成倍增加,减少冗余计算。
4)通过步骤3)的遍历形成块区域内暗元素图,为了更加准确的表达细节信息,可对块区域内暗元素图进行优化处理,例如引导滤波方法;
5)利用直方图统计方法计算出块区域内暗元素中的最亮像素的前某个百分比的平均值,并作为主要边界或高密度与散射部分的分界值A,在系统参数中可根据不同亮度增益(图像平均值对应A值的关系),并参考不同部位选用不同的A值,;
6)构建与区域像素亮度对应的减函数等级,由此得到ω(0<ω≤1),同时ω的取值可视为允许散射等级的一个程度。
7)通过前面步骤5)与6)的操作,获得A,ω,并在已知当前图像R(y),
利用公式:
可得传输率;
8)获取传输率图,并可进行适当优化;
9)借助自然图像中降质图像恢复模型,利用公式:
获得更丰富对比度与高细节分辨率超声图像。
表1是采用共生矩阵方法测试纹理中的能量与对比度信息,对比处理前后特性的提高。
表1
准则 | 共生矩阵方法 | 图.3a | 图.3b |
能量 | ∑i∑jC(i,j)2 | 0.502 | 0.628 |
对比度 | ∑i∑j(i-j)2C(i,j) | 1.4702 | 1.8248 |
本发明的实施例不限于此,任何形式的简单变化,等效替换均落入本发明的保护范围内。以自然图像降质模型进行医学超声图像的对比度提升方法是一种有效的技术,而且还能从超声成像的物理意义上得到很好的解释。
Claims (2)
1.一种超声图像清晰度提升方法,其特征在于,包括如下步骤:
1)根据当前图像性能分析,进行对比度判定,是否需要清晰度提升处理,其中包括计算主要图像区域的均值与边缘数计算,对比度判定包括以下步骤:
a)计算出主要组织部位区域的像素均值;
b)统计表明一幅图像如果有更强的对比度,将会产生更多的边缘数,计算出组织部位区域的边缘数;
c)综合均值与边缘数的信息得出对比度判定:
2)根据超声图像形成特性,设定窗口的大小;
根据采集当前图像系统设定的深度,超声频率,选择合理窗口大小:
Scx=0.87λz/D
Scz=0.91C0/Δf
式中,Scx,Scz,分别为横向单元大小与纵向单元的大小,λ是波长,(λ=C0/Fc),z为采集图像深度,D是超声波束形成时所激活的探头孔径,C0是声速,Fc是中心频率,Δf,通过Fc×bandwidth,“bandwidth”是带宽,以探头发射频率为基础的一个分数;
3)按照设定窗口大小对整个图像进行遍历,在窗口内取最小值,获取块区域内暗元素;
4)形成块区域内暗元素图,便于查看特性,并进行优化;
5)通过块区域内暗元素图,计算出散射与强反射分界的A值;
6)构建与区域像素亮度对应的减函数等级,由此得到ω;
7)通过前面步骤2),3),5),6)操作,利用公式
得出传输率;
式中,t(z),是强反射或高密度区信号到达探头处的信号强度,R(y)为处理前的图,ω为根据区域亮度调整的减函数,A为散射与强反射或高密度区的分界值,Ω为深度z处的步骤2)所得的一个块大小区域;
8)获取传输率图,并进行适当优化;
9)利用公式
获得按不同等级减少散射影响的强反射与高密度区图像,从而提升医学影像图的对比度与细节分辨率,
其中,max为求取较大值,R(z)为探头接收信号强度图,S(z)为提升对比度后恢复出来的图,t0为一个下限值。
2.根据权利要求1所述的超声图像清晰度提升方法,其特征在于,步骤2)中所述超声图像形成特性是指图像采集深度,中心频率,点扩散函数(Point Spread Function,PSF),视觉感知最小区分对比度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210500976.6A CN103034979B (zh) | 2012-11-30 | 2012-11-30 | 一种超声图像清晰度提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210500976.6A CN103034979B (zh) | 2012-11-30 | 2012-11-30 | 一种超声图像清晰度提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103034979A true CN103034979A (zh) | 2013-04-10 |
CN103034979B CN103034979B (zh) | 2015-03-25 |
Family
ID=48021847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210500976.6A Active CN103034979B (zh) | 2012-11-30 | 2012-11-30 | 一种超声图像清晰度提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103034979B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104717400A (zh) * | 2015-02-03 | 2015-06-17 | 北京理工大学深圳研究院 | 一种监控视频的实时去雾方法 |
CN104952045A (zh) * | 2014-03-27 | 2015-09-30 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN106127693A (zh) * | 2015-05-08 | 2016-11-16 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN106659480A (zh) * | 2014-08-22 | 2017-05-10 | 株式会社日立制作所 | 超声波诊断图像生成装置以及方法 |
CN107305685A (zh) * | 2016-04-20 | 2017-10-31 | 瑞昱半导体股份有限公司 | 图像对比增强方法及其装置 |
CN110211058A (zh) * | 2019-05-15 | 2019-09-06 | 南京极目大数据技术有限公司 | 一种医学影像的数据增强方法 |
WO2019210707A1 (zh) * | 2018-05-02 | 2019-11-07 | 杭州海康威视数字技术股份有限公司 | 一种图像清晰度评测方法、装置及电子设备 |
CN112907535A (zh) * | 2021-02-18 | 2021-06-04 | 江苏省人民医院(南京医科大学第一附属医院) | 一种可用于超声图像采集教学任务的辅助系统 |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6440074B1 (en) * | 2001-08-06 | 2002-08-27 | Koninklijke Philips Electronics N. V. | Ultrasonic diagnostic imaging with nonlinearly intermodulated frequency components |
EP2047801A1 (en) * | 2006-07-20 | 2009-04-15 | Hitachi Medical Corporation | Ultrasonographic device |
CN102028499A (zh) * | 2010-12-24 | 2011-04-27 | 飞依诺科技(苏州)有限公司 | 超声探头自适应成像系统 |
WO2012093317A1 (en) * | 2011-01-05 | 2012-07-12 | Koninklijke Philips Electronics N.V. | Device and method for determining actual tissue layer boundaries of a body |
-
2012
- 2012-11-30 CN CN201210500976.6A patent/CN103034979B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6440074B1 (en) * | 2001-08-06 | 2002-08-27 | Koninklijke Philips Electronics N. V. | Ultrasonic diagnostic imaging with nonlinearly intermodulated frequency components |
EP2047801A1 (en) * | 2006-07-20 | 2009-04-15 | Hitachi Medical Corporation | Ultrasonographic device |
CN102028499A (zh) * | 2010-12-24 | 2011-04-27 | 飞依诺科技(苏州)有限公司 | 超声探头自适应成像系统 |
WO2012093317A1 (en) * | 2011-01-05 | 2012-07-12 | Koninklijke Philips Electronics N.V. | Device and method for determining actual tissue layer boundaries of a body |
Non-Patent Citations (1)
Title |
---|
李晓瑛,刘东权: "基于纹理分析的自适应超声影像衰减补偿", 《四川大学学报(工程科学版)》, vol. 43, no. 3, 31 May 2011 (2011-05-31), pages 139 - 144 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952045B (zh) * | 2014-03-27 | 2019-09-13 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN104952045A (zh) * | 2014-03-27 | 2015-09-30 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN106659480A (zh) * | 2014-08-22 | 2017-05-10 | 株式会社日立制作所 | 超声波诊断图像生成装置以及方法 |
CN106659480B (zh) * | 2014-08-22 | 2019-09-24 | 株式会社日立制作所 | 超声波诊断图像生成装置以及方法 |
CN104717400A (zh) * | 2015-02-03 | 2015-06-17 | 北京理工大学深圳研究院 | 一种监控视频的实时去雾方法 |
CN106127693A (zh) * | 2015-05-08 | 2016-11-16 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN106127693B (zh) * | 2015-05-08 | 2021-09-14 | 韩华泰科株式会社 | 除雾系统和除雾方法 |
CN107305685A (zh) * | 2016-04-20 | 2017-10-31 | 瑞昱半导体股份有限公司 | 图像对比增强方法及其装置 |
CN107305685B (zh) * | 2016-04-20 | 2020-06-05 | 瑞昱半导体股份有限公司 | 图像对比增强方法及其装置 |
WO2019210707A1 (zh) * | 2018-05-02 | 2019-11-07 | 杭州海康威视数字技术股份有限公司 | 一种图像清晰度评测方法、装置及电子设备 |
CN110211058A (zh) * | 2019-05-15 | 2019-09-06 | 南京极目大数据技术有限公司 | 一种医学影像的数据增强方法 |
CN112907535A (zh) * | 2021-02-18 | 2021-06-04 | 江苏省人民医院(南京医科大学第一附属医院) | 一种可用于超声图像采集教学任务的辅助系统 |
CN112907535B (zh) * | 2021-02-18 | 2023-05-12 | 江苏省人民医院(南京医科大学第一附属医院) | 一种用于超声图像采集教学任务的辅助系统 |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
CN113902642B (zh) * | 2021-10-13 | 2022-08-16 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103034979B (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034979B (zh) | 一种超声图像清晰度提升方法 | |
Gu et al. | Automated 3D ultrasound image segmentation to aid breast cancer image interpretation | |
CN103720489B (zh) | 病变组织生长监测方法和系统 | |
CN104240203A (zh) | 基于小波变换和快速双边滤波的医学超声图像去噪方法 | |
CN105654434A (zh) | 基于统计模型的医学超声图像去噪方法 | |
Zhang et al. | Comparison of despeckle filters for breast ultrasound images | |
CN105232081A (zh) | 医学超声辅助自动诊断装置及方法 | |
DE102010049324A1 (de) | Fötus-Rendering in der medizinischen diagnostischen Ultraschallbildgebung | |
DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
CN102438529A (zh) | 自动检测医学图像中的病变的方法和系统 | |
CN104318527A (zh) | 基于小波变换和引导滤波器的医学超声图像去噪方法 | |
DE102004060396A1 (de) | Verfahren und System zum Klassifizieren einer Brustläsion | |
CN104812312A (zh) | 超声波诊断装置以及超声波三维图像创建方法 | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN104657942A (zh) | 基于改进阈值的小波变换和引导滤波器的医学超声图像去噪方法 | |
CN112971844A (zh) | 一种超声图像的采集质量的评估方法及超声成像设备 | |
CN104751457A (zh) | 一种新的基于变分能量的肝脏分割方法 | |
CN107874782B (zh) | 一种多普勒超声自动定位取样框的方法 | |
Cheng et al. | Quantitative evaluation of liver fibrosis based on ultrasound radio frequency signals: An animal experimental study | |
Granchi et al. | Multidimensional spectral analysis of the ultrasonic radiofrequency signal for characterization of media | |
Su et al. | Speckle reduction approach for breast ultrasound image and its application to breast cancer diagnosis | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
Rabbi et al. | Speckle tracking and speckle content based composite strain imaging for solid and fluid filled lesions | |
Shen et al. | Deep learning-based wavelet threshold function optimization on noise reduction in ultrasound images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |