本站原创摘 要医学超声成像技术以其固有的时效性、廉价性及无损性等特点被医疗诊断广泛应用.但超声图像存在的斑点噪声增加了图像解译程度,影响了图像分析与诊断.因此,医学超声图像去噪研究成为超声影像预处理中的关键问题.本研究基于目前医学超声图像去噪研究现状,引入支持向量学习理论,通过含斑图像做对数变换和分解,构建基于支持向量回归模型的局部自适应去斑算法.实验仿真表明,基于支持向量回归模型能够成功地去除超声图像的噪点,同时保障了超声图像的细节特征,其优越的性能超过了传统的去噪方法.
关 键 词支持向量回归；医学超声；图像去噪
中图分类号：TP391文献标识码：A文章编号：1671―7597（2013）032-045-02
随着医学技术的快速发展与广泛应用,医学超声成像、核磁共振、PET等技术现在已经成为医学诊断不可或缺的技术.其中超声成像固有的时效性、廉价性及无损性等优点被广泛应用于临床诊断与治疗中,超声成像技术利用声波实现直接观察和物质结构和特性研究,它具有对离体生物组织成像和对活体组织进行实时成像的两个特点,是医学研究的重要手段.
然而,超声图像存在的斑点噪声增加了图像解译程度,影响了图像分析与诊断,决定了医学分析的可靠性与准确性,增加了判断分析的难度.因此对超声图像的去噪研究成为当今医学界研究的热点.本次研究引入支持向量学习理论,通过含斑图像做对数变换和分解,构建基于支持向量回归模型的局部自适应去斑算法,最终达到图像去噪的目的,以期对医疗诊断提供科学的可靠性保障,推动医学科研工作的进一步发展.
1支持向量回归基本原理
支持向量回归是一种以数学方法和优化技术为工具广泛应用于模式识别领域的方法.在解决非线性、小样本和高维模式识别问题中独具优势,且可以在函数拟合等一些机器学习问题.
假设存在线性可分的样本集y的线性判断函数的一般形式为：.
将其转化为Lagrange函数：
核函数常采用其公式为：
式中：wki为输入层第i节点和隐含层第k节点的连接权；k为隐含层第j节点的阈值.
所有学习样本对权值进行修正,通常为增加学习过程的稳定性,用下式对权值进行修正：
2实验仿真应用
2.1图像分解
应用SVM理论,采用迭代阈值法对数据源进行图像分解,取得传统单脉冲激励信号的轴向分辨率.如图1.
利用超声单脉冲信号作为SVM模型的数据源,应用Matlab程序将函数输入计算机程序中运行,等到数据的散点分布情况.从图中可以看出图像分割后的视觉效果,可以发现噪点距离中心线偏离程度显著,能够达到去噪的目的.
2.2SVM模型应用
传统的去噪法均以曲线进化理论为基础,但存在不足之处在于受图像中噪声影响较大,因此SVM模型在运行前先对超声图像进行低通滤波等预处理,以去除图像中固有的斑点噪声,但同时也有可能损失了部分图像细节.为了提取超声图像中的噪声关键参数,建立SVM模型.SVM模型具有拓扑变形能力,通过对超声图像进行预处理,以去除图像噪点,以支持回归理论为基础进行聚类,使得复杂的非线性优化问题得到较好的求解.SVM模型针对具有较强不均匀分布的图像首先对图像分割集成进行局部信息处理,增强其抗干扰的能力.
SVM模型算法主要是利用声波振动响应原理,使得轻敲震动探针与试样表面相接触,同时施加频率略有差异的超声振动,由于探针和试样之间的非线性作用,在每个振动周期中与试样短时间接触,生成回声,进而判别噪点位置,有针对性的消除噪点,减少机器损耗时间.
经过SVM模型的迭代求解,通过适当的参数与初始值调整,经过5300次迭代得出实际超声图像去噪结果.
2.3检验与分析
根据拟合函数,计算误差,经分析计算,本次支持向量回归模型去噪准确率为95%,误差范围控制在5%,能够达到去噪目的.如图2,准确率拟合效果.
4结论
抑制超声图像噪点一直是医学超声图像处理中的难点问题.本研究引入支持向量学习理论,通过含斑图像做对数变换和分解,构建基于支持向量回归模型的局部自适应去斑算法.该算法在本质上是一种软阈值去噪,其阈值具有解析表达式并随像素自适应性调整.在模拟加斑图像和真实超声图像的实验结果表明,在客观评价指标和主观视觉效果方面,SVM算法性能均优于传统的去噪算法,具有计算复杂度低、运行速度快的特点,在满足去噪的同时保证了图像细节特征,对科学地医疗诊断提供了可靠性保障,对医学科研工作的进一步发展具有实际意义.