کاهش نویز نقطه‌ای در تصاویر پزشکی
طاهره مصطفویدر۱۴۰۳/۲/۱۸
(سیارک) تصاویر پزشکی اغلب به‌وسیله‌ی نویز، هنگام اکتساب و عبور آن، خراب می‌شوند. هدف روش‌های نویززدایی تصویر برای ازبین بردن این قبیل نویزها درعین حفظ‌کردن ویژگی‌های مهم علامت‌ها تا حد امکان، ضروری است. تصویربرداری فراصوتی یک روند تصویربرداری پزشکی بسیار مورد استفاده است، چراکه اقتصادی، نسبتاً بی‌خطر، قابل انتقال و قابل انطباق است. با این حال، یکی از ضعف‌های اصلی‌اش، کیفیت پایین تصاویر دراثر نویزهای نقطه‌ای است. وجود نویز نقطه‌ای ناپسند است، چراکه کیفیت تصویر را خراب می‌کند و بر عملیات تعبیر و تشخیص تکی، تأثیر می‌گذارد. نتیجتاً، پالایش نقطه‌ای برای استخراج عملکردها، تجزیه و تحلیل و بازشناختن از اندازه‌گیری‌های تصاویر پزشکی، یک مرحله‌ی پیش‌پردازشی مرکزی است. پیش از این تعدادی طرح برای کاهش نقطه‌ها پیشنهاد شده است.
یک روش مناسب برای کاهش نقطه‌ها، روشی است که سیگنال را به نسبت نویز افزایش می‌دهد و در عین حال گوشه‌ها و خطوط تصویر را حفظ می‌کند. روش‌های پالایش به‌عنوان عملیات مقدماتی پیش از تقسیم و دسته‌بندی به‌کار می‌روند. به‌طول کلی کاهش نقطه‌ها را می‌توان به دو دسته‌ی کلی تقسیم کرد. دسته‌ی اول، تصویر را با افزودن تعدادی مشاهدات از همان شیء، با این فرض که هیچ تغییر یا حرکتی درطول دریافت مشاهدات در شیء به‌وجود نیامده، بازیابی می‌کند. فیلتر آماری مثل فیلتر وِینر، تصفیه را در دامنه‌ی طیفی به‌کار برد، اما فیلتر کلاسیکِ وِینر، که عمدتاً برای جلوگیری از نویز افزایشی طراحی شده، کافی نیست . برای اشاره به طبیعت افزاینده‌ی نویز نقطه‌ای، "جِین" روشی هم‌ریخت ایجاد کرد، که با به‌دست‌آوردن لگاریتم تصویر، نویز افزاینده را به نویز افزایشی برگردان می‌کند، و درنتیجه از وِینر استفاده می‌کند.
فیلتر انطباقی یک پنجره‌ی فیلتر متحرک را به‌کار می‌گیرد و اطلاعات آماری مقدار خاکستری همه‌ی پیکسل‌ها را تخمین می‌زند؛ ازجمله میانگین موضعی و گوناگونی موضعی. مقدار خروجی پیکسل مرکزی وابسته به اطلاعات آماری است. فیلترهای انطباقی، خود را با اطلاعات بافت موضعی که یک پیکسل مرکزی را در بر گرفته‌اند انطباق می‌دهند تا یک مقدار جدید پیکسل را محاسبه کنند. فیلترهای انطباقی به‌طور کلی با فیلتر کوان، فیلتر لی، فیلتر فراست و فیلترهای گاما MAP ترکیب می‌شوند . این فیلترها برتری‌شان را نسبت‌به فیلترهای پایین‌گذر آشکار کرده‌اند؛ چراکه مشخصات آماری موضعی تصویر را هم به‌حساب آورده‌اند.
فیلترهای انطباقی در حفظ‌کردن تراکم تصویر و جزئیات آن در عین کم‌کردن نویزهای نقطه‌ای، خیلی بهتر از فیلترهای صاف‌کننده‌ی پایین‌گذر تصویر را ارائه می‌دهند . در اکثر تصاویر طبیعی ازجمله تصاویر پزشکی، به‌طور کلی یک زمینه‌ی نمونه مثل زمینه‌های تصادفی مارکوف وجود دارد. برای مثال، نویززدایی براساس موجک با استفاده از درخت پنهان مارکوف بسیار موفق بوده، و باعث ایجاد تعداد دیگری طرح براساس HTM شده است. آن‌ها سعی کردند با استفاده از HTM وابستگی‌های بین عامل مشترک‌های موجک‌های مجاور را شبیه‌سازی کنند و مثل برآوردکننده‌های عوامل کاهش‌دهنده‌ی نویز، از خطای حداقل میانگین مربعات استفاده کردند.
اخیراً چالش‌های بسیاری را گذرانده‌اند تا با استفاده از تبدیل‌های موجک به‌عنوان یک وسیله‌ی پردازشگر تصویر مولتی رزلوشن، نویز نقطه‌ای را کاهش دهند. نویز نقطه‌ای یکی از اجزای دارای بسامد بالا در تصویر است و در عامل مشترک‌های موجک ظاهر می‌شود. یک روش شایع به‌کاررفته برای کاهش نقطه، کوچک‌کردن موجک است. وقتی آلودگی افزاینده درنظر گرفته شود، روش‌های چندمقیاسی درگیر یک مرحله‌ی پیش‌پردازشی شامل یک تبدیل لگاریتمی می‌شوند تا نویز را از تصویر اصلی جدا کند. سپس روش‌های مختلف کوچک‌کردن موجک به‌کار می‌روند. روش معروف کوچک‌کردن موجک آستانه‌ی (Universal Visu shrink) سطح تصاویر را صاف‌تر می‌کند . این آستانه بعداً با کم‌کردن محاسبه‌گر خطرِ بی‌پیشقدرِ استاین ارتقا یافت . BayesShrink ازلحاظ MSE بهتر از SureShrink عمل می‌کند. بازسازی با استفاده از BayesShrink صاف‌تر و از نظر دیداری خوش‌آیندتر از تصویری است که با استفاده از SureShrink به‌دست می‌آید. در طرح BayesShrink آستانه با درنظرگرفتنِ یک توزیع نرمال کلی (GGD)، آستانه برای هریک از نوارهای زیرشاخه تعیین می‌شود. در هر نوار زیرشاخه، عامل مشترک‌های موجک به‌عنوان متغیرهای تصادفی با توزیع‌های نرمال کلی نمونه‌سازی شده‌اند. تمامی این آستانه‌ها براساس موجک‌های قائم‌اند و از روش ملایم آستانه‌سازی استفاده می‌کنند که به‌وسیله‌ی آن ورودی به مقدار آستانه‌ی T، به صفر کاهش می‌یابد.
بعد از آن در روش آستانه‌سازیِ سخت، ورودی اگر بزرگ‌تر از آستانه باشد حفظ می‌شود و در غیر این صورت، روی صفر تنظیم می‌شود . در روش Bayesian کاهش نقطه ازطریق تبدیل موجک به‌وسیله‌ی مدل‌های آماری نویز و سیگنال هردو، دریافت می‌شود. یک مطالعه‌ی مقایسه‌ای بین فیلتر کوچک‌کردن عامل مشترک موجک و چند فیلتر نقطه‌ای استاندارد که برای کاهش نویز نقطه‌ای زیاد به‌کار می‌روند نشان می‌دهد که روش براساس موجک برای ازبین‌بردن نقطه بین بهترین روش‌ها قرارگرفته است.در پردازش تصویر پزشکی، نویززدایی تصویر در طول روند تشخیص، عملی بسیار ضروری شده است. داوری بین همیشگی‌سازی اطلاعات تشخیصِ سودمند و جلوگیری از نویز باید در تصاویر پزشکی ارزش نهاده شود.به‌طور کلی ما به مداخله‌ی یک شخص ماهر تکیه می‌کنیم تا کیفیت تصاویر پردازش‌شده را کنترل کند. در موارد خاصی، به‌طور مثال در تصاویر فراصوت، نویز می‌تواند از اطلاعاتی که برای پزشک عمومی باارزشند، جلوگیری کند. درنتیجه، تصاویر پزشکی بسیار متناقض‌اند، و این امر بسیار ضروری است که ما مورد به مورد عمل کنیم. ترجمه itrans.ir