【《基于侧窗滤波的医学图像去噪方法分析案例》3400字】

基于侧窗滤波的医学图像去噪方法分析案例目录TOC\o"1-3"\h\u16962基于侧窗滤波的医学图像去噪方法分析案例 1149241.1问题概述 1214971.2算法设计与实现 239711.2.1基于传统图像滤波的去噪方法 2228841.2.2基于侧窗滤波的去噪方法 49441.3实验结果与分析 6134911.1.1在不同滤波方法的去噪效果对比 6314651.1.2验证侧窗滤波对深度学习网络分割性能的影响 7在基于深度学习的医学图像分割任务中，图像质量会对深度卷积神经网络的分割性能产生较大影响。为了进一步提升残差U-Net对于HR-pQCT图像的分割性能，我们拟采用图像滤波的方式对HR-pQCT图像进行去噪，以改善图像质量。然而，传统的图像滤波方法会使图像边缘变得模糊，使边缘这一重要语义信息丢失。本章将介绍基于侧窗滤波的HR-pQCT图像去噪方法，实现保边去噪。1.1问题概述受到成像原理的限制，HR-pQCT图像中存在较为明显的噪声与伪影。在此，我们选取了一个较为典型的HR-pQCT图像进行展示（如图所示）。原始HR-pQCT图像的灰度值范围达到-19770~32767，而其中主要分布范围仅约为-2000~11000，其它分布范围内的少量像素均为典型的噪声或伪影。尽管只在主要分布范围内显示图像以增强对比度，我们仍然可以观察到图像中的噪声是十分明显的，且分布非常随机。如此大量且随机分布的噪声会对骨微结构的分析带来诸多干扰。为了进一步显示噪声的分布特性，我们以3500灰度值作为阈值对图像进行二值化（如图所示）。可以看出，在骨性结构的灰度范围内便已存在大量噪声的干扰，而背景中则存在灰度范围更广的噪声。对于深度学习而言，复杂而随机的噪声分布会给深度卷积神经网络有效学习目标结构带来强烈的干扰，可能会使网络模型的稳定性与泛化性能变差。如何有效地去除这些噪声成为了分析HR-pQCT图像的关键。图3-1左图为原始HR-pQCT图像在-2000~11000的灰度范围下显示的效果，右图为原始HR-pQCT图像以3500灰度阈值二值化的结果目前，最为便捷且常用的图像去噪算法主要是基于图像滤波的，其主要依靠各式各样的滤波算子实现。其中，较为流行的滤波器包括均值滤波器、高斯滤波器、中值滤波器、盒式滤波器等。然而，经传统图像滤波得到的图像边缘会变得模糊。边缘对于图像分割而言是十分重要的语义特征，我们寻求一种在去除噪声的同时能尽可能保留边缘细节的滤波方案。因此，本章提出了基于侧窗滤波的HR-pQCT图像去噪方法，尽可能地保留图像边缘。1.2算法设计与实现1.2.1基于传统图像滤波的去噪方法传统的图像滤波方法被广泛用于图像去噪，进而改善图像质量。其大体可被分为线性与非线性两类滤波方法。其中线性滤波方法主要包括均值滤波、高斯滤波等，非线性滤波方法主要包括中值滤波等。其中，传统的线性滤波方法是计算以目标像素点为中心的邻域窗口内像素点的加权平均像素值，将其作为该像素点的滤波输出，从而达到滤波去噪的效果。这一过程可以用下式来表达：Oj∈ 其中，Oi代表像素点i对应的滤波输出，Ωi代表以像素点i为中心的邻域窗口。wij用于表示滤波器在不同位置j下的权重，且需保证滤波器窗口内的权重和为1。pj代表原始图像在对应位置j下的像素值。我们可以用L2范数来描述滤波结果与原始图像之间的差异DiD不同的线性滤波方法会采用不同的滤波器权重。其中，均值滤波采用的滤波器在所有位置的权重相等，最终的滤波输出为领域窗口内所有像素值的平均值，故被称为均值滤波。而高斯滤波采用的滤波器中的权重是由高斯函数产生的。相较于均值滤波，高斯滤波的平滑效果会显得更为光滑，同时也会相对更好地保留边缘。高斯滤波的滤波器可用如下式子生成：Gσ=0.3∗其中，Gxy代表滤波器窗口内坐标位置为(x,y)点的权重，s代表滤波器窗口的尺寸，σ代表该高斯函数的方差。α图3-27×7尺寸的高斯滤波器中值滤波则是一种非线性的滤波方法。其以目标像素点为中心的邻域窗口内所有像素点的中间像素值作为该像素点的滤波输出。中值滤波对于脉冲噪声、椒盐噪声等有较好地去除效果。可以看到，传统滤波方法多以全窗滤波的方式实现，即所建立的领域窗口是以目标像素点为中心的。而当滤波器窗口的中心位置恰好位于图像边缘时，边缘两侧信息均会被加权计算，因而边缘处的像素会沿边缘法线的方向发生扩散，从而导致图像边缘的模糊。而且，滤波器的尺寸越大，模糊的效应会越明显。1.2.2基于侧窗滤波的去噪方法为了在去除噪声的同时尽可能地减轻边缘模糊的状况，保留边缘细节，我们尝试采用基于侧窗滤波的去噪方法ADDINZOTERO_ITEMCSL_CITATION{"citationID":"EkhBv6ot","properties":{"formattedCitation":"\\super[29]\\nosupersub{}","plainCitation":"[29]","noteIndex":0},"citationItems":[{"id":183,"uris":["/users/local/ErwjRSwv/items/E8QLDD7V"],"uri":["/users/local/ErwjRSwv/items/E8QLDD7V"],"itemData":{"id":183,"type":"paper-conference","container-title":"ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition","page":"8758-8766","title":"Sidewindowfiltering","author":[{"family":"Yin","given":"Hui"},{"family":"Gong","given":"Yuanhao"},{"family":"Qiu","given":"Guoping"}],"issued":{"date-parts":[["2019"]]}}}],"schema":"/citation-style-language/schema/raw/master/csl-citation.json"}[29]，用于HR-pQCT图像去噪。该算法由Yin等人在2019年的IEEE国际计算机视觉与模式识别会议（IEEEConferenceonComputerVisionandPatternRecognition,CVPR）上提出。该算法的核心思想是通过设置侧窗滤波器，使待处理的像素位于滤波器窗口的边缘而非中心。由此可以消除边缘两侧的像素因加权计算而发生的法向扩散，从而避免了图像边缘模糊，本质上做到保留边缘。侧窗滤波器的设计是十分灵活的，只需要保证像素点i位于侧窗的一边或一角即可。我们可用Sθ,ρ,r来描述侧窗滤波器。我们可定义全窗滤波器的长与宽均为2r+1，侧窗中经过像素点i的长边与水平线之间的夹角为θ，侧窗短边的长度以及侧窗长边的基准长度均为r+1，侧窗长边的可变长度为ρ（0≤ρ≤r）。改变θ可以改变侧窗的方向，改变ρ为了简化计算，对于坐标位置为(x,y)的像素点i，我们在此仅定义八个方向的侧窗，左（left,L）、右（right,R）、上（up,U）、下（down,D）、西北（northwest,NW）、东北（northeast,NE）、西南（southwest,SW）与东南（southeast,SE）。θ的取值为{0,π/2,π,3π/2}，ρ的取值为0,r。由此我们便可得到八种方向的侧窗（如图所示），左（θ=3π/2,ρ=r）、右（θ=π/2,ρ=r）、上（θ=π,ρ=r）、下（θ=0,ρ=r）、西北（θ=π,ρ=r）、东北（θ=π/2,ρ=0）、西南（θ=3π/2,ρ=0）、东南（θ=0,ρ=0）。其中，西北、东北、西南与东南侧窗的像素点i位于侧窗的一个角，而左、右、上与下侧窗的像素点i位于侧窗的一条边。图3-3八个方向的侧窗滤波器示意图在此，我们以高斯滤波为例展示高斯侧窗滤波器。首先，我们构建了尺寸为15×15的高斯全窗滤波器（如图所示）。按如上规则取出对应的侧窗后，将侧窗外的权重均设为0，注意需重新调整权重系数α以使窗口内的权重加和为1。从而得到八个尺寸同为15×15的高斯侧窗滤波器（如图所示）。图3-4尺寸为15×15高斯全窗滤波器图3-5尺寸为15×15的八个高斯侧窗滤波器使用八个高斯侧窗滤波器对像素点i进行滤波可以相应得到八个滤波结果。我们需要选择出由最佳侧窗方向的侧窗滤波器得到的滤波结果作为最终结果。为了在滤波过程中使边缘处的信息尽可能地完整保留，我们应使侧窗滤波后的结果与输入图像间的信息尽可能地接近。我们同样可以通过计算侧窗Sθ,ρ,r的滤波结果OiSθ,ρ,r与输入图像D选择可使上述L2范数达到最小的侧窗作为最终的输出滤波结果，具体计算式如下所示：O值得注意的是，基于侧窗滤波的图像去噪方法近乎可以应用于任意的传统滤波器（包括但不限于高斯滤波器、均值滤波器、中值滤波器）。由此，在保留原滤波器去噪特性的同时，能尽可能多地保留图像中的边缘细节。1.3实验结果与分析1.1.1在不同滤波方法的去噪效果对比在此，我们以高斯滤波作为基础，对比了HR-pQCT在传统高斯滤波方法以及侧窗高斯滤波方法下的滤波结果（如图所示）。可以看出，侧窗滤波能够较为明显地减少图像中的噪声，同时相较于传统高斯滤波方法，图像边缘保留效果较好。在滤波器尺寸达到15×15时，两者差异最为明显。此时，由传统高斯滤波方法得到结果的边缘已经十分模糊，但由侧窗高斯滤波得到的结果仍然可以获得较为清晰的边缘。图3-6高斯滤波与侧窗高斯滤波结果对比1.1.2验证侧窗滤波对深度学习网络分割性能的影响​在采用相同的残差U-Net结构以及训练参数的条件下，我们比较了将原始图像、使用经典高斯滤波得到的图像以及基于侧窗高斯滤波得到的图像用于深度学习训练，得到模型的分割性能差异。结果如表所示。可以看出，在高斯核大小相同情况下，使用经典高斯滤波后的图像进行训练会使网络分割性能变差。而使用侧窗高斯滤波后的图像进行训练，可以获得更好的分割性能。表3-1二维分割结果评价网络结构图像类型2DDice(%)Jaccard(%)95