基于边缘激励的超声检测影像质量提升机制
引言
超声影像是利用超声束扫描人体，通过对接收到的反射信号进行处理，探测人体内部的各种组织与器官，获取其影像[1]。由于反射的波束存在相位干涉，导致反演的影像存在大量相干斑噪声，导致影像对比度不高，所得到的超声图像比模糊[2]。为提升超声检测影像质量，尤其是检测过程中的显示质量，本文引入注意力机制，提出了一种结合边缘激励的超声检测影像质量提升方法。该方法可以增强图像对比度，同时抑制邻域背景杂波。定性定量实验结果表明，本文提出的方法相比于对比算法具有较高的成像性能。
1 本文提出的检测算法
现有医疗采用的超声仪器，不仅仅表现出对比度低、尺寸小，还时常被淹没在斑点噪声中，造成目标逐场显示不连续[3]。本文在充分考虑了注意力机制的基础上，引入了边缘激励策略，提升成像质量的稳定性与有效性。
1.1 高斯拉普拉斯函数
高斯拉普拉斯函数（Laplace of Gaussian，LoG），是高斯函数和拉普拉斯函数组合的算子，具有背景平滑，各向异性和边缘增强特性。从注意力机制角度可以看出，LoG具有人类视觉特性中的中心增强和侧向抑制特性。由于超声影像中细小组织通常呈现出弱小对比度特性，利用LoG进行滤波，可以起到增强目标，抑制背景的作用[4-5]。
在仿真测试发现，直接对原始超声图像进行LoG处理，复杂背景在一定程度上得到了抑制，但对于背景中杂波仍然较为显著，尤其是对于脏器边缘、肠气区域存在较大边缘响应。为了进一步增超声图像中目标区域对比度同时抑制杂波，有必要在视觉注意机制上对现有的算法进行改进[6]。
1.2 基于边缘激励的视觉注意机制
由于超声影像对比度不高，目标边缘模糊，直接采用LoG算法获取的边缘比较杂乱。为了能够一次遍历获得最优边缘图，本文采用自适应尺度块计算每个像素的区域对比度，并在此基础上获取局部边缘信息。由Liu[7]的研究，不同空间尺度下的LoG结果经尺度正则化可表示为：
其中，(x,y)是指像素坐标点，sn是高斯核拉普拉斯算子LoG的尺度因子，F(x,y,sn)表示坐标(x,y)在尺度sn处的响应值。然后在等式(1)的基础上，从多个不同尺度下找到最优的尺度s：
其中，s是显著图F中最大值对应的尺度因子，m是局部局域像素个数。由于超声影像中弱小软组织近似为圆点，假定其直径为h，那么目标脏器边缘位置αn的值近似为h，因此αt计算公式如式(3)所示：
由于边界目标可以在拉普拉斯尺度空间中具有峰值响应[8-9]，所以可以基于归一化的拉普拉斯尺度空间能够用于估计圆形区域的尺寸与边界位置。根据人类视觉注意的特性，在局部区域计算像素边界特性以提高边界定位，并提升视觉注意区域的显著性信息。因此，本文提出了一个改进的均值算法，其等式如式(4)所示：
其中，Mid(·)是图像块P的中值；Ω是灰度值大于中值的像素集，N是该集合像素点个数；P(x,y)是经尺度正则化的结果。
以上分析可以看出，本文将边缘信息作为视觉注意机制的约束条件，通过对每帧超声影像的边缘特征进行控制，无论医务人员如何移动超声设备，都将获得准确而清晰的超声影像。同时，本文也在此技术上，采用改进的均值滤波，进一步抑制相干斑噪声，提升超声影像的视觉效果。
2 实验结果分析与讨论
为了验证本文提出超声影像质量提升算法的有效性，采用真实的超声视频进行仿真试验。超声图像来自GEV730 EUB5500，其成像质量较差，图像存在明显拖尾与伪影，适合定性定量验证本文算法的有效性。
2.1 性能指标
为了便于定量分析算法的性能，本文采用的性能评价指标包括：峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）[11-12]和结构相似度（Structural Similarity，SSIM）[13]用来评价超声图像质量提升的性能。
2.2 定性定量分析
为了便于本文所提算法进行定性定量性能分析，针对性地选择了LCM[14]、MILCM[15]、TCUM、MCM作为对比算法。实验中所有测试图像添加相同的乘性噪声[16]，模拟受噪声干扰的情景。
不同图像的SSIM和PSNR值，见表1。定量对比发现，LCM算法在序列2和序列6中具有良好的质量提升与噪声抑制能力，但其在序列3中的SSIM值最小，背景抑制能力不佳，这是由于图像3受腹部超声模糊边界的影响，没有明星的脏器边界，严重降低了SSIM的计算结果。其余三种对比算法的结果指标满足要求，但某些场景下的图像质量较差，不具有稳定的检测能力。
表1 不同方法对超声影像的PSNR值和SSIM值
图像 指标 LCM MILCM TCUM MCM 本算法1 PSNR 32.01 32.17 32.23 32.28 32.71 SSIM 0.955 0.955 0.955 0.958 0.962 2 PSNR 22.84 23.44 23.12 23.48 23.76 SSIM 0.704 0.726 0.718 0.732 0.750 3 PSNR 24.08 25.55 24.40 25.41 26.22 SSIM 0.820 0.858 0.842 0.861 0.868 4 PSNR 32.70 32.63 32.71 32.72 33.02 SSIM 0.800 0.797 0.798 0.798 0.798 5 PSNR 29.23 30.14 29.49 30.10 30.42 SSIM 0.828 0.841 0.836 0.843 0.851 6 PSNR 23.49 24.43 23.85 24.61 25.16 SSIM 0.802 0.845 0.824 0.853 0.870
本文提出算法与对比算法的处理结果的定性对比，见图1。由于本文的方法对采集的图像处理进行边缘约束，提升超声影像质量，通过尺度LoG正则化方法对特定区域的回波信号进行分析，提高图像分辨率和均匀性，轻松获得高清晰的腹部超声图像，而其他算法存在一些边缘模糊，噪声干扰大的现象。
图1 不同算法结果的定性对比
注：a. 待处理图像；b. LCM；c. MILCM；d. TCUM；e. MCM；f. 本文算法。
2.3 临床效果对比分析
为了验证本文提出的方法在临床上的效果，我们将本文方法与传统临床操作方法进行了对比分析，其中传统调节方法是通过直接对医疗设备若干参数调节，提高该区域的成像质量，使得在该有限区域内，图像质量的横向分辨率、轴向分辨率、穿透、时间分辨率等方面均达到比较高的水平，同时冻结ROI区域之外的图像。临床验证分析结果可以看出，即便是医生指定图像上某个感兴趣区域进行图像增强时，要么调整整幅图像的成像参数，如频率、线密度等，结果导致图像质量若干个方面提升，同时其他方面受到损失；要么对局部区域进行放大显示，图像质量改善的程度是有限的。而本文的算法直接对获取的信号利用边缘特性去约束成像的质量。这是由于人眼对边缘具有较强的敏感性，只要边缘清晰，就能够感知到清晰的效果。同时，在本文算法增强的过程中，图像的灰度及动态范围会发生变化，结果表明本文算法也具有控制图像的灰度及动态范围变化，提高了图像显示质量与目标对比度。
3 结论
为了有效地提升超声检查影像的显示质量，本文在视觉注意机制下提出了一种边缘约束的超声影像质量提升方法，该方法设计了加权自适应尺度局部边缘定位算法，能够在有效定位边界的同时，抑制相干斑杂波。实验结果表明，本文提出的算法具有良好的质量提升性能，能够针对不同角度不同场景下实现稳定而快速清晰显示，适合各种低成本超声影像设备。
[1] 何文.基于小波变换与模糊理论的医学超声图像增强与去噪方法研究[J].电子设计工程,2015,23(12):101-104.
[2] Oktay O,Ferrante E,Kamnitsas K,et al.Anatomically constrained neural networks (ACNNs): application to cardiac image enhancement and segmentation[J].IEEE Trans Med Imaging,2018,37(2):384-395.
[3] Morin R,Basarab A,Bidon S,et al.Motion estimationbased image enhancement in ultrasound imaging[J].Ultrasonics,2015,60:19-26.
[4] Lamichhane AR,Chen CS.The closed-form particular solutions for Laplace and biharmonic operators using Gaussian function[J].Appl Math Lett,2015,46:50-56.
[5] Esseen CG.Fourier analysis of distribution functions: a mathematical study of the Laplace-Gaussian law[J].Acta Math,1945,77(1):1-125.
[6] Guépié BK,Sciolla B,Millioz F,et al.Discrimination between emboli and artifacts for outpatient transcranial Doppler ultrasound data[J].Med Biol Eng Comput,2017,55(10):1-11.
[7] Liu C.Quality metric in matched Laplacian of Gaussian response domain for blind adaptive optics image deconvolution[J].Opt Eng,2016,55(4):431-448.
[8] Gazzola S,Hansen PC,Nagy JG.IR tools: a MATLAB package of iterative regularization methods and large-scale test problems[J].Numer Algorithms,2018:1-39.
[9] Howard MW,Luzardo A,Tiganj Z.Evidence accumulation in a Laplace domain decision space[J].Comput Brain Behav,2018,1:237-251.
[10] 陈文山,汪天富,林江莉,等.基于相似度测量的医学超声图像对比度增强[J].中国医学影像技术,2006,22(9):1432-1434.
[11] Yoo JC,Ahn CW.Image matching using peak signalto-noise ratio-based occlusion detection[J].IET Image Process,2012,6(5):483.
[12] 佟雨兵,张其善,祁云平.基于PSNR与SSIM联合的图像质量评价模型[J].中国图象图形学报,2006,11(12):19-24.
[13] 李红芳.基于梯度的结构相似度图像质量评价方法研究[D].西安:西安科技大学,2012.
[14] 潘昭.小波变换在超声图像处理中的研究与应用[D].长沙:中南大学,2011.
[15] 李华美,汪天富,林江莉,等.基于精确直方图规格化的医学超声图像增强[J].中国医学影像技术,2008,24(2):278-281.
[16] 张化朋,任少美.基于偏微分方程的乘性噪声去噪算法[J].计算机技术与发展,2016,26(11):90-92.
Ultrasonic Image Quality Improvement Mechanism Based on Improved Edge Excitation Algorithm