CN113469919A - 超声图像的处理方法、装置及电子设备 - Google Patents
超声图像的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113469919A CN113469919A CN202110849141.0A CN202110849141A CN113469919A CN 113469919 A CN113469919 A CN 113469919A CN 202110849141 A CN202110849141 A CN 202110849141A CN 113469919 A CN113469919 A CN 113469919A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- algorithm
- component
- gaussian
- 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
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000002604 ultrasonography Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000009466 transformation Effects 0.000 claims abstract description 46
- 238000002608 intravascular ultrasound Methods 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 230000002441 reversible effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000007170 pathology Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000002829 reductive effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提供了一种超声图像的处理方法、装置及电子设备，其中，方法包括：获取待处理的血管内超声图像；将血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数；按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到斑点噪声抑制后的血管内超声图像。本申请能够在抑制斑点噪声的同时，兼顾保留与增强图像细节特征，对临床病理的诊断有着重大的意义。
Description
技术领域
本申请涉及图像处理技术领域，尤其是涉及一种超声图像的处理方法、装置及电子设备。
背景技术
血管内超声(intravascular ultrasound，IVUS)成像是近年来临床应用于诊断血管病变的一种新的诊断方式，它可以显示血管内腔、管壁和粥样斑块的组织形态学特征以及斑块的病理组成，如钙化、纤维组织、脂质核心及斑块破裂、离体等。因此它比只能提供动脉长轴影像的冠状动脉造影成像更容易发现血管的早期病变。目前IVUS正越来越广泛地被用于评价冠状动脉粥样硬化特点及程度，被认为是诊断冠心病的“金标准”，并用于指导选择介入性治疗方法、评估介入治疗效果等。
在IVUS影像应用中，清晰的超声图像是医生有效提取特征，识别病变，做出正确诊断的前提。但是实际的超声图像一般都存在着斑点噪声多、信噪比低、对比度低等问题。尤其是过多的斑点噪声严重地降低了图像的质量，直接提升了医疗工作者对病灶部位与良性组织区域之间做出精确区分的难度，也使得计算机辅助诊断系统中对图像病灶的自动识别、分割、分析和特征提取更加困难。因此有必要对图像进行抑噪滤波处理。
斑点噪声是超声成像中一种固有属性，斑点噪声的存在，会影响医生对有效诊断信息的提取，给临床诊断带来困难。因此，使用超声检测时，消除斑点噪声对于获取准确的诊断信息具有重要的意义。
但是医学超声领域研究者和从业者们也广泛认同超声图像的斑点噪声中也蕴藏了对诊断有用的重要信息这一观点，特别是它的分布状态以及形状特征等往往包含了重要的病灶信息，而且过度的平滑滤波是以模糊图像、损失细节信息为代价的。因此，研究这种斑点噪声的特性，并在此基础上，进一步研究如何采取适当算法，抑制这种斑点噪声的同时，兼顾保留与增强图像细节特征，这对于顺利开展诸如图像识别、边缘检测、分割与定位等后续工作具有十分重要的现实意义，即研究抑制斑点噪声，且改善图像质量的算法对临床病理的诊断有着重大的意义。
发明内容
本申请的目的在于提供一种超声图像的处理方法、装置及电子设备，能够抑制超声图像的斑点噪声，同时兼顾保留与增强图像细节特征，对临床病理的诊断有着重大的意义。
第一方面，本申请实施例提供一种超声图像的处理方法，该方法包括：获取待处理的血管内超声图像；将上述血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数；按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
在可选的实施方式中，上述预设变换算法包括以下之一：高斯金字塔变换算法、拉普拉斯变换算法和小波分解算法。
在可选的实施方式中，上述预设变换算法为高斯金字塔变换算法；按照预设变换算法对当前超声图像进行分解，得到多个分量图像的步骤，包括：对当前超声图像进行高斯平滑处理，得到高斯平滑图像；应用以预设尺寸递减的尺寸模型，对高斯平滑图像进行二分下采样，得到多个分量图像。
在可选的实施方式中，上述对当前超声图像进行高斯平滑处理，得到高斯平滑图像的步骤，包括：通过下式对当前超声图像进行高斯平滑处理，得到高斯平滑图像：
L(x,y,σ)＝G(x,y,σ)*I(x,y)；
其中，
σ表示高斯核函数的尺度因子；G(x，y，σ)表示高斯核函数；L(x，y，σ)表示高斯平滑图像；I(x,y)表示当前超声图像。
在可选的实施方式中，上述预设滤波处理对应的算法包括以下之一：同态滤波算法、双边滤波算法、高斯滤波算法、扩散滤波算法。
在可选的实施方式中，上述预设滤波处理对应的算法为同态滤波算法；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理的步骤，包括：以多个分量图像中除最高层分量图像外的每个底层分量图像作为当前分量图像，均执行以下步骤：按照照射反射模型将当前分量图像表示为包含入射分量和反射分量的函数；基于上述函数进行预设数学变换，得到同态滤波后的分量图像。
在可选的实施方式中，上述预设数学变换依次包括：取对数、傅里叶变换、利用频域函数进行滤波和取指数。
第二方面，本申请实施例提供了一种超声图像的处理装置，该装置包括：图像获取模块，用于获取待处理的血管内超声图像；分解滤波模块，用于将血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数；逆运算模块，用于按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请实施例带来了以下有益效果：
本申请提供了一种超声图像的处理方法、装置和电子设备，能够通过获取待处理的血管内超声图像作为当前超声图像，按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数；按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像，该方法在抑制超声图像的噪声斑点的同时，兼顾保留与增强图像细节特征，对于顺利开展诸如图像识别、边缘检测、分割与定位等后续工作具有十分重要的现实意义，并且对临床病理的诊断也有着重大的意义。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种超声图像的处理方法的流程图；
图2为本申请实施例的一种超声图像的处理方法的流程示意图；
图3为本申请实施例的高斯金字塔变换算法图像分解示意图；
图4为本申请实施例的二分下采样的示意图；
图5为本申请实施例的高斯金字塔变换算法尺度分解示意图；
图6为本申请实施例的同态滤波的具体流程图；
图7为本申请实施例的IVUS原始图像；
图8为本申请实施例中的方法对图像斑点噪声抑制后的IVUS图像；
图9为本申请实施例提供的一种超声图像的处理装置的结构框图；
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前IVUS影像应用中，实际的超声图像一般都存在着斑点噪声多、信噪比低、对比度低等问题，过多的斑点噪声严重地降低了图像的质量，直接提升了医疗工作者对病灶部位与良性组织区域之间做出精确区分的难度，但是超声图像的斑点噪声中也蕴藏了对诊断有用的重要信息，特别是它的分布状态以及形状特征等往往包含了重要的病灶信息，而且过度的平滑滤波是以模糊图像、损失细节信息为代价的。
基于此，本申请实施例提供一种超声图像的处理方法、装置及电子设备，能够通过采取适当的算法，在抑制超声图像的噪声斑点的同时，兼顾保留与增强图像细节特征，对于顺利开展诸如图像识别、边缘检测、分割与定位等后续工作具有十分重要的现实意义，并且对临床病理的诊断也有着重大的意义。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种超声图像的处理方法进行详细介绍。
本申请实施例提供一种超声图像的处理方法，参见图1所述的超声图像的处理方法的流程图，该方法具体包括以下步骤：
步骤S102，获取待处理的血管内超声图像。
当超声波照射到相当一个超声波长尺度的粗糙表面时，由于表面凹凸不平，各散射体距离传感器之间的距离是不一样的，以及回波的干涉效应以及散射回的超声波束之间存在相互干扰，当相关反射源反射出的两束回波重叠时，会在超声图像中产生明暗不同的颗粒，因此，尽管回波在频率上是相干的，但它们在相位上已不再是相干的。如果回波信号的相位一致，那么接收到的就是叠加起来的强信号；如果回波相位不一致，则接收到弱信号。然而超声成像就是通过回声的强度来衡量人体组织的反射率，这样就会出现偏差，在图像中具体表现为颗粒状，也就是斑点噪声。
实际应用中，通过仪器采集到的血管内超声图像，往往包含所需的正常回波信息和斑点状乘性噪声。
步骤S104，将血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数。
其中，对超声图像的分解可以采用以下算法中的任一种：高斯金字塔变换算法、拉普拉斯变换算法和小波分解算法。预设滤波处理对应的算法可以包括以下之一：同态滤波算法、双边滤波算法、高斯滤波算法、扩散滤波算法。
对于将图像分解为几个分量图像，多大尺度，可以根据测试情况进行不同的设定。比如，对当前超声图像进行分解后，得到四个分量图像：A、B、C、D，其中，D为最高层分量图像，与待处理的血管内超声图像是一样的，如果对该图像进行滤波处理会导致损失较多信息，因此，可以对底层分量图像为A、B、C中的至少一个进行滤波处理，比如，对A进行滤波处理后，再将A作为当前超声图像，再次进行分解，又得到四个分量图像：A1、A2、A3、A4，对其中一个进行滤波处理……
上述预设次数可以根据实际情况进行不同的设定，当上述预设次数为1时，则需要对超声图像进行两次分解滤波过程。对超声图像进行分解的目的，主要是将斑点状乘性噪声分解为加性噪声，这样在分量图像的底层分量图像上进行滤波处理，就不会对图像造成很大的改变，以导致丢失一些对诊断有用的信息，即在降低斑点噪声的同时，还可保留斑点噪声中蕴藏的对诊断有用的重要信息。
步骤S106，按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
针对上述多次分解，需要进行逆运算过程将图像组合起来，因此，可以根据分解顺序的逆顺序，依次进行组合，即针对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，得到最终的斑点噪声抑制后的血管内超声图像。
本申请实施例提供的超声图像的处理方法，能够通过采取适当的算法，在抑制超声图像的噪声斑点的同时，兼顾保留与增强图像细节特征，对于顺利开展诸如图像识别、边缘检测、分割与定位等后续工作具有十分重要的现实意义，并且对临床病理的诊断也有着重大的意义。
下面以高斯金字塔变换算法和同态滤波算法为例进行详细说明：
图2为本申请实施例提供的一种超声图像的处理方法的流程示意图。图中原始图像为获取到待处理的血管内超声图像，将原始图像按照高斯金字塔变换算法进行分解处理后，可以将图像分解为不同层级的分量图像，具体分为几个分量图像可以预先设定。本申请实施例以分解为4个分量图像为例进行说明，4个分量图像分别为1级、2级、3级、4级，如图3所示，其中，4级为最高层分量图像，实际上与原图像一样，因此，在进行滤波时，选择除了该层图像之外的其它图像，也就是所谓的底层分量图像，即图2中的金字塔底层，可以选择底层分量图像中的1级、2级、3级中的至少一个进行同态滤波处理，比如对1级进行同态滤波处理，处理后再对1级分量图像进行上述高斯金字塔变换算法分解、同态滤波处理，可以循环执行多次。如图2中执行一次后，再针对前面的两次分解按照分解顺序的逆顺序，进行两次高斯金字塔逆变换，也就是高斯金字塔变换算法的逆运算，得到最终的增强后图像，即抑制斑点噪声的情况下，还保留较多的图像细节特征，提高了图像质量。
下面针对高斯金字塔变换算法和同态滤波算法进行详细说明：
尺度空间是高斯金字塔构建的核心理论，尺度规范化的LOG(Laplacion ofGaussian)算子在尺度空间具有唯一的尺度不变性，经过高斯采样的图片可以基本上保持图像的重要特征。
上述预设变换算法为高斯金字塔变换算法时，按照预设变换算法对所述当前超声图像进行分解，得到多个分量图像的步骤，包括：对当前超声图像进行高斯平滑处理，得到高斯平滑图像；应用以预设尺寸递减的尺寸模型，对高斯平滑图像进行二分下采样，得到多个分量图像。
高斯平滑处理和采样策略的选择，是高斯金字塔模型构建的两个关键步骤。本申请实施例中次采样策略，依据传统1/2尺寸递减的尺寸模型，对高斯平滑图像进行二分下采样，如图4所示，这样的效果会使尺度和分辨率降低一半，最重要的是匹配运动的偏移值也将降低为原来的1/2，且搜索范围也会减少。那么可以得出这样的结论：每建立一层高斯金字塔模型，搜索的时间复杂度降低1/4，设初级遍历图像的时间为t0，高斯金字塔的层数为n(初级图像的计数从0开始)，高层遍历图像的时间设为tn，其之间的关系为：tn＝t0×1/4n。
上述对当前超声图像进行高斯平滑处理，得到高斯平滑图像的步骤，包括：通过下式对当前超声图像进行高斯平滑处理，得到高斯平滑图像：
L(x,y,σ)＝G(x,y,σ)*I(x,y)；
其中，
式中，σ表示高斯核函数的尺度因子；G(x，y，σ)表示高斯核函数；L(x，y，σ)表示高斯平滑图像；I(x,y)表示当前超声图像。
参见图5所示的尺度分解示意图，对式1唯一进行解释的参数为σ，是高斯核函数的尺度因子，同时也是高斯正态分布的方差，与高斯平滑的窗口Gw有关，其参数的取值直接影响着图像平滑的程度，其值大小与平滑程度成正比。
上述预设滤波处理对应的算法为同态滤波算法时，针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理的步骤，包括：以多个分量图像中除最高层分量图像外的每个底层分量图像作为当前分量图像，均执行以下步骤：按照照射反射模型将当前分量图像表示为包含入射分量和反射分量的函数；基于函数进行预设数学变换，得到同态滤波后的分量图像。
其中，照射反射模型是将一幅图像f(x,y)看作是由入射分量和反射分量组合而成f(x,y)＝i(x,y)r(x,y)(式2)，式中i(x,y)为入射分量，r(x,y)为反射分量，图像的灰度由入射函数和反射函数共同决定，光照强度因其具有一致性，入射分量属于变化慢的低频部分，代表光照条件，因其所含的图像信息很少，故而应减少该部分；反射分量为变化快的高频部分，代表图像的细节特征，包含多数人们感兴趣的信息，故而应増加该部分，所以在处理图像时，减少低频増大高频，会使图像细节突出，层次更为清晰，包含更多信息量。
上述预设数学变换依次包括：取对数、傅里叶变换、利用频域函数进行滤波和取指数。
同态滤波是一种依靠图像的照度反射模型改善图像质量的频域方法，基于函数进行预设数学变换的具体过程如下：先对式2两边同时取对数可得：lnf(x,y)＝lni(x,y)+lnr(x,y)，再对两边取傅里叶变换，可得到：F(u,v)＝I(u,v)+R(u,v)，用一个频域函数H(u,v)对F(u,v)进行滤波处理，得到：H(u,v)F(u,v)＝H(u,v)I(u,v)+H(u,v)R(u,v)再将上式两边取指数，得到：
输出图像g(x,y)，即最终増强图像。同态滤波的具体流程图参见图6。同态滤波算法会对图像斑点噪声进行一定的模糊，同时提升一些对比度。
图7为IVUS原始图像，图8为使用本申请实施例中的方法对图像斑点噪声抑制后的IVUS图像。将图7和图8中的图像进行对比可以看出，在利用本申请实施例所述的方法对IVUS原始图像进行处理后，可以使斑点噪声得到很好的抑制，通过本申请实施例所述的方法处理后的超声图像的图像质量更好。
本申请实施例提供的超声图像的处理方法，能够通过高斯金字塔变换算法对原始图像进行分解，将乘性噪声变为加性噪声，在加性噪声的基础上，进行同态滤波处理，可以很好地抑制斑点噪声，且保留更多的有用信息。
基于上述方法实施例，本申请实施例还提供一种超声图像的处理装置，参见图9，该装置包括：
图像获取模块91，用于获取待处理的血管内超声图像；分解滤波模块92，用于将血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对当前超声图像进行分解，得到多个分量图像；针对多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为当前超声图像，继续执行图像处理步骤达到预设次数；逆运算模块93，用于按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行预设变换算法的逆运算，直到得到待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
本申请实施例提供的超声图像的处理装置，能够通过获取目标血管超声图像，选择合适的算法对图像分解和滤波，并按照分解顺序的逆顺序进行逆运算，最终得到斑点噪声抑制后的血管内超声图像，不仅能抑制斑点噪声，还能兼顾保留与增强图像细节特征，改善图像质量，对临床病理的诊断有着重大的意义。
上述预设变换算法包括以下之一：高斯金字塔变换算法、拉普拉斯变换算法和小波分解算法。上述分解滤波模块92，还用于对当前超声图像进行高斯平滑处理，得到高斯平滑图像；应用以预设尺寸递减的尺寸模型，对高斯平滑图像进行二分下采样，得到多个分量图像。
上述分解滤波模块92，用于通过下式对当前超声图像进行高斯平滑处理，得到高斯平滑图像：L(x,y,σ)＝G(x,y,σ)*I(x,y)；其中，
σ表示高斯核函数的尺度因子；G(x，y，σ)表示高斯核函数；L(x，y，σ)表示高斯平滑图像；I(x,y)表示当前超声图像。
上述预设滤波处理对应的算法包括以下之一：同态滤波算法、双边滤波算法、高斯滤波算法、扩散滤波算法。上述分解滤波模块92，还用于以多个分量图像中除最高层分量图像外的每个底层分量图像作为当前分量图像，均执行以下步骤：按照照射反射模型将当前分量图像表示为包含入射分量和反射分量的函数；基于函数进行预设数学变换，得到同态滤波后的分量图像。
上述预设数学变换依次包括：取对数、傅里叶变换、利用频域函数进行滤波和取指数。
本申请实施例提供的超声图像的处理装置，其实现原理及产生的技术效果和前述超声图像的处理方法实施例相同，为简要描述，超声图像的处理装置的实施例部分未提及之处，可参考前述超声图像的处理方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图10所示，为该电子设备的结构示意图，其中，该电子设备包括处理器101和存储器100，该存储器100存储有能够被该处理器101执行的计算机可执行指令，该处理器101执行该计算机可执行指令以实现上述方法。
在图10示出的实施方式中，该电子设备还包括总线102和通信接口103，其中，处理器101、通信接口103和存储器100通过总线102连接。
其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器101读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种超声图像的处理方法，其特征在于，所述方法包括：
获取待处理的血管内超声图像；
将所述血管内超声图像作为当前超声图像，执行以下图像处理步骤：
按照预设变换算法对所述当前超声图像进行分解，得到多个分量图像；
针对所述多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为所述当前超声图像，继续执行所述图像处理步骤达到预设次数；
按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行所述预设变换算法的逆运算，直到得到所述待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
2.根据权利要求1所述的方法，其特征在于，所述预设变换算法包括以下之一：高斯金字塔变换算法、拉普拉斯变换算法和小波分解算法。
3.根据权利要求2所述的方法，其特征在于，所述预设变换算法为高斯金字塔变换算法；按照预设变换算法对所述当前超声图像进行分解，得到多个分量图像的步骤，包括：
对所述当前超声图像进行高斯平滑处理，得到高斯平滑图像；
应用以预设尺寸递减的尺寸模型，对所述高斯平滑图像进行二分下采样，得到多个分量图像。
4.根据权利要求3所述的方法，其特征在于，对所述当前超声图像进行高斯平滑处理，得到高斯平滑图像的步骤，包括：
通过下式对所述当前超声图像进行高斯平滑处理，得到高斯平滑图像：
L(x,y,σ)＝G(x,y,σ)*I(x,y)；
其中，
σ表示高斯核函数的尺度因子；G(x，y，σ)表示高斯核函数；L(x，y，σ)表示高斯平滑图像；I(x,y)表示当前超声图像。
5.根据权利要求1所述的方法，其特征在于，所述预设滤波处理对应的算法包括以下之一：同态滤波算法、双边滤波算法、高斯滤波算法、扩散滤波算法。
6.根据权利要求5所述的方法，其特征在于，所述预设滤波处理对应的算法为同态滤波算法；针对所述多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理的步骤，包括：
以所述多个分量图像中除最高层分量图像外的每个底层分量图像作为当前分量图像，均执行以下步骤：
按照照射反射模型将所述当前分量图像表示为包含入射分量和反射分量的函数；
基于所述函数进行预设数学变换，得到同态滤波后的分量图像。
7.根据权利要求6所述的方法，其特征在于，所述预设数学变换依次包括：取对数、傅里叶变换、利用频域函数进行滤波和取指数。
8.一种超声图像的处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理的血管内超声图像；
分解滤波模块，用于将所述血管内超声图像作为当前超声图像，执行以下图像处理步骤：按照预设变换算法对所述当前超声图像进行分解，得到多个分量图像；针对所述多个分量图像中除最高层分量图像外的至少一个底层分量图像，进行预设滤波处理；将滤波处理后的底层分量图像作为所述当前超声图像，继续执行所述图像处理步骤达到预设次数；
逆运算模块，用于按照分解顺序的逆顺序，依次对每次分解对应的滤波处理后的分量图像进行所述预设变换算法的逆运算，直到得到所述待处理的血管内超声图像对应的斑点噪声抑制后的血管内超声图像。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110849141.0A CN113469919B (zh) | 2021-07-27 | 2021-07-27 | 超声图像的处理方法、装置及电子设备 |
| PCT/CN2021/131523 WO2023005069A1 (zh) | 2021-07-27 | 2021-11-18 | 超声图像的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110849141.0A CN113469919B (zh) | 2021-07-27 | 2021-07-27 | 超声图像的处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469919A true CN113469919A (zh) | 2021-10-01 |
| CN113469919B CN113469919B (zh) | 2024-05-28 |
Family
ID=77882633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110849141.0A Active CN113469919B (zh) | 2021-07-27 | 2021-07-27 | 超声图像的处理方法、装置及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113469919B (zh) |
| WO (1) | WO2023005069A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023005069A1 (zh) * | 2021-07-27 | 2023-02-02 | 深圳市赛禾医疗技术有限公司 | 超声图像的处理方法、装置及电子设备 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935133B (zh) * | 2023-07-31 | 2024-04-16 | 湖南中医药大学第一附属医院((中医临床研究所)) | 一种基于spect图像识别的心血管病分类方法及系统 |
| CN117928051B (zh) * | 2024-03-22 | 2024-05-17 | 山东电工电气集团数字科技有限公司 | 一种中央空调节能降碳控制系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008278995A (ja) * | 2007-05-09 | 2008-11-20 | Hitachi Medical Corp | 超音波診断装置および超音波診断装置の画質改善方法 |
| CN101452574A (zh) * | 2008-12-19 | 2009-06-10 | 深圳市恩普电子技术有限公司 | 一种提升超声图像质量的方法 |
| US20090171208A1 (en) * | 2007-12-27 | 2009-07-02 | Ryota Osumi | Ultrasonic diagnostic apparatus, ultrasonic image processing apparatus, and ultrasonic image processing method |
| JP2010044641A (ja) * | 2008-08-14 | 2010-02-25 | Toshiba Corp | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
| US20120035478A1 (en) * | 2010-08-05 | 2012-02-09 | Toshiba Medical Systems Corporation | Ultrasonic diagnostic apparatus and an ultrasonic image processing apparatus |
| CN104182939A (zh) * | 2014-08-18 | 2014-12-03 | 成都金盘电子科大多媒体技术有限公司 | 一种医疗影像图像细节增强方法 |
| CN106683061A (zh) * | 2017-01-05 | 2017-05-17 | 南京觅踪电子科技有限公司 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
| US20190137589A1 (en) * | 2016-05-26 | 2019-05-09 | Hitachi, Ltd. | Diagnostic imaging device and image acquisition method |
| CN112419206A (zh) * | 2020-11-27 | 2021-02-26 | 中国矿业大学 | 一种基于多尺度分解-重构的sar干涉图滤波方法 |
| CN113077394A (zh) * | 2021-03-25 | 2021-07-06 | 青岛海信医疗设备股份有限公司 | 图像处理方法、电子设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100646715B1 (ko) * | 2004-10-18 | 2006-11-23 | 한국과학기술원 | 후처리를 통한 2차원 초음파 영상의 화질 개선 방법 |
| US20100142790A1 (en) * | 2008-12-04 | 2010-06-10 | New Medical Co., Ltd. | Image processing method capable of enhancing contrast and reducing noise of digital image and image processing device using same |
| JP5449852B2 (ja) * | 2009-05-08 | 2014-03-19 | 株式会社東芝 | 超音波診断装置 |
| CN111583123A (zh) * | 2019-02-17 | 2020-08-25 | 郑州大学 | 一种基于小波变换的融合高低频信息的图像增强算法 |
| CN110706174B (zh) * | 2019-09-27 | 2022-03-18 | 集美大学 | 一种图像增强方法、终端设备及存储介质 |
| CN113469919B (zh) * | 2021-07-27 | 2024-05-28 | 深圳市赛禾医疗技术有限公司 | 超声图像的处理方法、装置及电子设备 |
-
2021
- 2021-07-27 CN CN202110849141.0A patent/CN113469919B/zh active Active
- 2021-11-18 WO PCT/CN2021/131523 patent/WO2023005069A1/zh unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008278995A (ja) * | 2007-05-09 | 2008-11-20 | Hitachi Medical Corp | 超音波診断装置および超音波診断装置の画質改善方法 |
| US20090171208A1 (en) * | 2007-12-27 | 2009-07-02 | Ryota Osumi | Ultrasonic diagnostic apparatus, ultrasonic image processing apparatus, and ultrasonic image processing method |
| JP2010044641A (ja) * | 2008-08-14 | 2010-02-25 | Toshiba Corp | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
| CN101452574A (zh) * | 2008-12-19 | 2009-06-10 | 深圳市恩普电子技术有限公司 | 一种提升超声图像质量的方法 |
| US20120035478A1 (en) * | 2010-08-05 | 2012-02-09 | Toshiba Medical Systems Corporation | Ultrasonic diagnostic apparatus and an ultrasonic image processing apparatus |
| CN104182939A (zh) * | 2014-08-18 | 2014-12-03 | 成都金盘电子科大多媒体技术有限公司 | 一种医疗影像图像细节增强方法 |
| US20190137589A1 (en) * | 2016-05-26 | 2019-05-09 | Hitachi, Ltd. | Diagnostic imaging device and image acquisition method |
| CN106683061A (zh) * | 2017-01-05 | 2017-05-17 | 南京觅踪电子科技有限公司 | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 |
| CN112419206A (zh) * | 2020-11-27 | 2021-02-26 | 中国矿业大学 | 一种基于多尺度分解-重构的sar干涉图滤波方法 |
| CN113077394A (zh) * | 2021-03-25 | 2021-07-06 | 青岛海信医疗设备股份有限公司 | 图像处理方法、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李虹 等: "基于小波变换的IVUS图像去噪", 《中国医疗器械信息》, vol. 13, no. 3, pages 8 - 10 * |
| 汪友生 等: "血管内超声图像的预处理", 《研究与开发》, vol. 31, no. 2, pages 66 - 70 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023005069A1 (zh) * | 2021-07-27 | 2023-02-02 | 深圳市赛禾医疗技术有限公司 | 超声图像的处理方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023005069A1 (zh) | 2023-02-02 |
| CN113469919B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469919B (zh) | 超声图像的处理方法、装置及电子设备 | |
| Yang et al. | Local statistics and non-local mean filter for speckle noise reduction in medical ultrasound image | |
| Lareyre et al. | A fully automated pipeline for mining abdominal aortic aneurysm using image segmentation | |
| US20110257505A1 (en) | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation | |
| Athanasiou et al. | Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography–comparison and registration with IVUS | |
| Costarelli et al. | A segmentation procedure of the pervious area of the aorta artery from CT images without contrast medium | |
| US20110257545A1 (en) | Imaging based symptomatic classification and cardiovascular stroke risk score estimation | |
| JP2021176101A (ja) | 低コヒーレンス干渉法のための画質改善方法及びシステム | |
| Kumar et al. | State-of-the-art review on automated lumen and adventitial border delineation and its measurements in carotid ultrasound | |
| Zhang et al. | Automatic segmentation of calcifications in intravascular ultrasound images using snakes and the contourlet transform | |
| Raj et al. | Ultrasound medical image denoising using hybrid bilateral filtering | |
| CN110060261B (zh) | 一种基于光学相干层析成像系统的血管分割方法 | |
| Vard et al. | An automated approach for segmentation of intravascular ultrasound images based on parametric active contour models | |
| Vilimek et al. | Comparative analysis of wavelet transform filtering systems for noise reduction in ultrasound images | |
| Lin et al. | Extraction of coronary arterial tree using cine X-ray angiograms | |
| CN108846813A (zh) | 基于mfdf分解框架与nsst的医学ct图像去噪方法 | |
| CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
| Chinnaswamy et al. | Performance evaluation of filters for de-noising the intravascular ultrasound (IVUS) images | |
| Bommanna Raja et al. | Ultrasound kidney image analysis for computerized disorder identification and classification using content descriptive power spectral features | |
| Tsantis et al. | Inter-scale wavelet analysis for speckle reduction in thyroid ultrasound images | |
| China et al. | Wavelet based non local means filter for despeckling of intravascular ultrasound image | |
| US20120316442A1 (en) | Hypothesis Validation of Far Wall Brightness in Arterial Ultrasound | |
| Arora et al. | Performance analysis of various denoising filters on intravascular ultrasound coronary artery images | |
| Marciniak et al. | Measurement of retina vessels by segmentation of images reconstructed from optical coherence tomography data | |
| CN113658172B (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Bin Inventor after: Mo Haozhang Inventor after: Yang Jiacheng Inventor before: Yang Jiacheng Inventor before: Liu Bin Inventor before: Mo Haozhang |
|
| GR01 | Patent grant |