一种基于呼吸特征的活体超声图像融合去噪方法

本技术涉及超声图像领域，更具体地说，涉及一种基于呼吸特征的活体超声图像融合去噪方法。

背景技术：

1、超声成像凭借其非侵入性、无电离辐射、实时成像、便携式和低成本等优点，已广泛应用于临床诊断和治疗过程中，成为了医学影像领域不可或缺的重要手段。然而，由于超声成像原理的固有限制，获取的图像质量往往会受到散斑噪声的严重污染。散斑噪声不仅降低了图像分辨率，也会导致细微结构和精细边缘的模糊或丢失，这使得图像中有助于诊断的信息变得难以提取和识别，从而严重影响了基于超声图像进行诊断的效率和准确性。因此，有效抑制和去除超声图像中的散斑噪声，对于提高图像质量、增强图像可解读性至关重要。

2、目前，针对散斑噪声的抑制通常可分为三类方法：基于动态分析的方法，如各向异性扩散、定向各向异性扩散等；基于时频分析的小波变换等方法；机器学习方法。这些传统方法通常基于单张目标图像进行去噪处理，其性能受限于目标图像所包含的有限信息量。

3、若能输入多张图像并同时利用所有输入图像的互补信息进行去噪，则有望突破单帧图像的局限，获得更佳的去噪性能。这一思路在图像处理领域已有一些实践，如基于多帧图像的超分辨率重建等。然而，现有的多帧图像去噪方法通常涉及复杂的迭代计算，实时性能较差；且大多数方法专注于抑制加性高斯噪声，无法高效去除超声图像中的乘性散斑噪声，因此难以直接应用于医学超声成像场景。

4、鉴于此，亟需一种能够基于多帧超声图像实时去除散斑噪声的高效方法，以满足临床医学对高质量图像的迫切需求。该方法不仅需要突破单帧图像的局限，充分利用多帧图像的互补信息，还须具备良好的实时性能，并能专门针对乘性散斑噪声的特点，进行高效精准去噪，从而全面提升超声图像质量，为临床诊断提供图像数据支持。

5、中国专利申请，申请号cn202310452869.9，公开日2023年7月18日，公开了基于呼吸相位追踪的活体时间复合成像方法及系统，属于医学成像领域。包括以下步骤，采集活体对象的数字图像序列，通过分析图像序列中图像间的统计信息计算呼吸运动的准特征曲线，并在时域和频域分析准特征曲线得到呼吸特征图像、呼吸特征曲线、呼吸频率及呼吸相位曲线，根据需求划分呼吸周期和相位区间，通过区域图像检索、位移校正并去除离群图像得到选帧图像，随后，对目标相位区间的图像进行融合，得到信噪比增强后的图像。但是该方案是根据呼吸相位进行选帧和图像融合，图像融合能在一定程度上减弱随机噪声，却无法从根本上消除与之密切相关的散斑噪声。

技术实现思路

1、针对现有技术中存在的超声图像中散斑噪声去噪精度低的问题，本技术提供了一种基于呼吸特征的活体超声图像融合去噪方法，通过多帧图像的互补信息和准确捕捉呼吸运动特征等，提高了散斑噪声去噪精度。

2、本技术的目的通过以下技术方案实现。

3、本说明书提供一种基于呼吸特征的活体超声图像融合去噪方法，包括：

4、步骤一：利用超声成像技术连续采集目标靶区的超声图像，得到一系列反映目标靶区随时间变化的图像集合i。两两计算图像集合i中任意两张图像间的二维归一化互相关系数，并将这些系数按照图像帧号排列成一个二维矩阵γ。该二维矩阵γ反映了图像序列的时间相关性，是后续呼吸特征提取的基础。

5、步骤二：通过分析矩阵γ中的信息，提取图像集合i所覆盖的呼吸特征。这些特征包括：呼气顶点和吸气顶点所处的帧号集合p、集合p所对应的图像集合i(p)、图像集合i覆盖的平均呼吸周期t、平均吸气时间与呼气时间的比值(平均吸呼比)ie、以及图像集合i所覆盖的完整呼吸周期数c。这些呼吸特征反映了图像集合i中包含的呼吸运动规律，是后续图像处理的重要依据。

6、步骤三：基于提取的呼吸特征对图像集合i进行处理，判断i中各张图像所属呼吸周期序号c(c＝1，2，…c)，根据集合i(p)中各图像与i中全部图像的互相关系数，在i(p)中选出参考图像im。计算i中全部图像相对参考图像im的互相关系数，得到互相关系数曲线γm，通过希尔伯特变换得到相位曲线将的值域划分为数个区间，并将i中各图像按其相位所属区间归入不同图像组；这一步实现了根据图像相对参考图像的相位关系对图像集合i进行分组，以便后续进行选帧和融合去噪。

7、步骤四：根据实际需求，选定需增强的目标图像it，判断其所处的呼吸周期序号ct和所属图像组号gt；对gt组的其它图像，按照步骤三中判断的呼吸周期序号c(c＝1-c，c≠c0)依次选帧，得到各呼吸周期中与it具有最强相关性的图像，置入选帧结果集合j；对选帧结果j及其在集合i中的相邻数帧，进行基于邻帧图像的融合素材筛选，得到融合素材集合f。

8、步骤五：对融合素材集合f中的每一张图像，执行细节保留的各向异性扩散滤波，并用滤波结果替换f中对应的原始图像。随后，以目标图像it的一部分区域为导向图像，以集合f中所有图像的均值为输入图像，应用导向滤波算法进行结构转移滤波，最终得到目标图像的融合去噪结果it,f。结构转移滤波使得融合结果在基于集合f去除散斑噪声的同时，保留了目标图像的边缘与结构信息，从而实现了图像的融合增强。

9、进一步的，在进行图像集合的连续采集过程中，应当保证连续采集的图像集合至少应覆盖1个完整的呼吸周期。为了准确提取呼吸特征，图像集合i必须包含足够的呼吸周期信息。要满足这一条件，连续采集的图像集合应至少覆盖一个完整的呼吸周期，即从一次吸气开始到下一次吸气开始。这样才能确保在后续的呼吸特征提取中，能够获得完整的呼吸周期参数，如呼吸周期数、平均呼吸周期等。采集时间过短会导致呼吸周期信息不完整，进而影响后续处理的准确性。

10、进一步的，步骤二中确定呼气、吸气顶点所处的帧号集合p的具体方法为，寻找矩阵γ中主对角线外任一对角线中的所有峰值，将其坐标记为搜索中心位置集合，以该集合中各位置为中心，在半径为不小于1且不大于矩阵横向尺寸一半的范围内，在距离主对角线更近的相邻对角线中寻找极大值，将其坐标集合记为新的搜索中心位置集合；重复上述过程直至所获取的搜索中心均位于主对角线上，所得中心位置集合即为呼气、吸气顶点所处的帧号集合p。记集合p中各帧号对应图像组成的集合为i(p)，记集合p中的元素数目为np。

11、本技术利用了呼吸运动的准周期性，以及图像序列二维矩阵γ的特殊结构。在二维矩阵γ中，主对角线上的元素表示自相关系数，恒等于1；而其他对角线上的元素则反映了不同时间间隔下的图像相似度。由于呼吸运动的准周期性，呼气、吸气顶点所对应的图像在二维矩阵γ中表现为距离主对角线较远的局部峰值。为了定位这些峰值，首先在主对角线外的任一对角线中寻找所有峰值，将其坐标记录为初始搜索中心。然后，以这些中心为基础，在一定范围内(半径不小于1且不大于矩阵横向尺寸的一半)的邻近对角线中寻找新的极大值，作为更新后的搜索中心。这个过程重复进行，直到所有搜索中心都落在主对角线上，此时的中心位置集合即对应于呼气、吸气顶点的帧号集合p。这一方法克服了呼吸运动非完全周期性的影响，可以较为准确地提取呼吸周期的关键帧。同时，将集合p中各帧号对应的图像组成集合i(p)，为后续的参考图像选择提供了候选。

12、进一步的，步骤二中呼吸周期数c的确定方法为，对集合p中的元素数目np减1再除以2后，向下取整。其中，在集合p中，相邻两个元素对应于连续的呼气或吸气顶点，因此集合p的元素数目np与呼吸周期的数量密切相关。考虑到一个完整的呼吸周期包含一次吸气和一次呼气，即两个相邻的顶点，可以通过将np减1再除以2来估计呼吸周期数c。本技术充分利用了已提取的呼吸特征信息，可以高效地确定图像集合i所覆盖的呼吸周期数量，为后续的图像筛选和融合处理提供重要参数。

13、进一步的，步骤二中确定平均吸呼比ie的方法为，将集合p按升序排列，计算其前向差分序列中相邻元素的比值，将结果置入吸呼比参考值集合ieref，将ieref中大于1的值替换为倒数，所得结果的均值即为平均吸呼比ie。

14、具体的，平均吸呼比ie反映了吸气时间与呼气时间的相对长短，是呼吸运动的重要特征。为了计算ie，首先将呼气顶点和吸气顶点所处的帧号集合p按照时间顺序(即帧号大小)进行升序排列。然后，计算排序后的集合p的前向差分序列。差分序列反映了连续两个呼吸顶点之间的时间间隔。计算差分序列中相邻元素的比值，置入吸呼比参考值集合ieref。基于人体正常自主呼吸的吸呼比一般小于1这一假设，将ieref中大于1的值替换为其倒数，最后，计算ieref的均值，即可得到平均吸呼比ie。

15、进一步的，步骤二中确定平均呼吸周期t的方法为，将呼气顶点所处帧号和吸气顶点所处帧号分别按升序排列，将两个序列的前向差分序列合并得到准呼吸周期集合tref，将tref的均值作为平均呼吸周期t。

16、具体的，平均呼吸周期t反映了呼吸运动的频率，是另一个重要的呼吸特征。为了计算t，首先将呼气顶点的帧号和吸气顶点的帧号分别按照时间顺序进行升序排列，得到两个子序列。然后，分别计算这两个子序列的前向差分序列。这两个差分序列分别反映了连续两个呼气顶点之间和连续两个吸气顶点之间的时间间隔。将这两个差分序列合并，得到准呼吸周期集合tref。最后，计算tref的均值，将其作为平均呼吸周期t的估计值。

17、进一步的，步骤三中判断图像集合中各图像所属呼吸周期序号的具体方法为，认定两相邻呼气顶点间为一个呼吸周期，第一帧图像对应的呼吸周期序号设置为1，每当获取一个新的呼吸顶点帧号，将c加一，最终得到图像集合中所有图像所属呼吸周期的序号。

18、具体的，为了实现图像集合i中各图像的呼吸周期归属判断，引入呼吸周期序号c的概念。首先，将两个相邻呼气顶点之间的时间区间定义为一个完整的呼吸周期。然后，将第一帧图像对应的呼吸周期序号设置为1。接下来，按照集合i中的图像帧号的顺序进行遍历，当图像帧号遍历至一呼气顶点的帧号时，将当前的呼吸周期序号c加1，表示进入了下一个呼吸周期。这样，图像集合i中位于第n个呼气顶点和第n+1个呼气顶点之间的所有图像，都将被标记为属于第n个呼吸周期。

19、进一步的，步骤三图像分组的具体方法为，对处于呼气或吸气顶点的所有图像i(p)，计算矩阵γ中与其帧号p对应的行向量均值，对均值最大的行向量进行截止频率不低于1/t的低通滤波；将滤波结果相位曲线的值域按需求划分为g个区间，基于各区间内数据点对应的帧号，将集合i中的对应图像划分入g个不同图像组中。

20、具体的，本技术利用了呼吸顶点图像在互相关矩阵γ中的特殊表现，以及互相关系数与图像相似性之间的关系。首先，对于呼气或吸气顶点的所有图像i(p)，计算矩阵γ中与其帧号p对应的行向量的均值。这些均值反映了不同呼吸顶点图像与整个图像集合的平均相关程度。然后，选取均值最大的行向量，对其进行低通滤波，滤波截止频率的下限为1/t。这一滤波操作可以去除呼吸信号中的高频噪声，获得更加平滑的相位曲线。接下来，根据实际需求，将滤波后的相位曲线的值域划分为g个区间。由于相位曲线反映了图像序列的周期性变化，因此位于同一相位区间内的图像可以视为处于相似的呼吸状态。最后，根据各相位区间内数据点对应的图像帧号，将原始图像集合i中的图像划分入g个不同的图像组中。

21、进一步的，在步骤四中，可以在图像采集、融合过程中的任意时刻给定或更改目标图像，在尚未给出目标图像时，目标图像it默认设置为参考图像im。

22、具体的，在实际应用中，允许在图像采集和融合过程中的任意时刻给定或更改目标图像，以适应实际需求。在尚未给出明确的目标图像时，将参考图像im默认设置为目标图像it。这样可以确保算法在未出现满足实际需求图像的情况下也能正常运行，并以参考图像为基准进行后续的图像筛选和融合处理。

23、进一步的，步骤四中的选帧方法为，对目标图像it所属的图像组gt内的全部图像，按照所属呼吸周期序号c分为多个小组。对于每个小组gt,c(c＝1—c,c≠ct)中的全部图像，按照帧号从小到大的顺序计算其与目标图像it的互相关系数，选择互相关系数最大值对应的图像，校正其相对于目标图像it的整体位移后置入选帧结果集合j。

24、具体的，本技术旨在从不同呼吸周期中选取与目标图像最相似的图像，以构建用于图像融合的选帧结果集合j。首先，根据步骤三的分组结果，将目标图像it所属图像组gt内的所有图像按照其呼吸周期序号c划分为多个小组gt,c(c＝1—c,c≠ct)。然后，对于每个小组gt,c中的图像，按照帧号从小到大的顺序依次计算其与目标图像it的互相关系数。互相关系数越大，表示两张图像的相似度越高。通过比较互相关系数的大小，可以在每个小组内选出与目标图像最相似的图像。考虑到呼吸运动可能引起一定的整体位移，在将选中的图像加入选帧结果集合j之前，需要对其进行位移校正，以消除整体位移的影响。

25、进一步的，位移校正方法为，在待校正图像中移动尺寸不大于原图像的窗口，使移动后窗口区域与目标图像中移动前窗口区域的互相关系数最大，所选图像的移动后窗口区域即为位移校正结果。

26、具体的，首先在所选图像中设置一个尺寸不大于原图像的移动窗口。然后，在待校正图像中移动该窗口，并计算待校正图像的移动后窗口区域与目标图像的移动前窗口区域的互相关系数。通过不断调整窗口的位置，找到互相关系数最大时窗口的位置，将此时待校正图像的窗口区域作为整体位移校正的结果。本技术基于局部区域的相似性度量，通过移动窗口与互相关计算，实现了对整体位移的估计和校正。

27、进一步的，步骤五中结构转移滤波方法为，在选帧结果j中进行基于邻帧图像的筛选得到融合素材集合f，将该集合中的图像均值作为导向滤波器的输入图像，以目标图像it的移动前窗口区域作为导向滤波器的导向图；进行结构转移滤波，输出融合结果it,f。

28、具体的，本技术利用了导向滤波器的结构转移特性，将目标图像的结构信息转移到融合结果中。在进行基于邻帧图像的筛选得到融合素材集合f后，计算集合f中所有图像的均值，将其作为导向滤波器的输入图像。导向滤波器的导向图则选择目标图像it的移动前窗口区域。通过导向滤波器的结构转移作用，输出图像保持了输入图像的低散斑噪声，同时保留了导向图的边缘和纹理细节。本技术利用了导向滤波器的特性，通过均值计算和结构转移滤波，实现了图像细节的保留和融合素材的有效利用，获得了兼顾散斑抑制和边缘保留的融合结果。

29、进一步的，步骤四中基于邻帧图像的融合素材筛选方法为，据实际需求选择用于融合的图像数目，并在2-20之间选择参考值k。当呼吸周期数c小于k时，选择满足(2m+1)c>k的最小正整数m为用于筛选的邻帧数量；在选帧结果j中各图像及其在i中的两侧各m张邻帧图像中，选择与目标图像的互相关系数最大的k张图像作为融合素材集合f。

30、具体的，本技术，旨在根据实际需求和呼吸周期数，从选帧结果和其邻帧图像中筛选出合适数量的融合素材。首先，根据实际需求确定用于融合的图像数目，并选择一个介于2到20之间的参考值k。当呼吸周期数c小于参考值k时，说明选帧结果j中的图像数量不足以满足融合需求。此时，需要从选帧结果图像的邻帧中补充融合素材。通过不等式(2m+1)c>k，可以计算出需要在每个选帧结果图像两侧选取的邻帧数量m，这里m是满足不等式的最小正整数。然后，对于选帧结果j中的每个图像，在其原始图像集合i中的两侧各选取m张邻帧图像，连同该图像本身，共2m+1张图像。从这些图像中，选择与目标图像互相关系数最大的k张图像，作为最终的融合素材集合f。本技术综合考虑了实际需求、呼吸周期数和图像相似性，通过邻帧补充和互相关排序，动态调整融合素材的数量和质量，在保证融合效果的同时，尽量减少计算量和数据冗余。

31、相比于现有技术，本技术的优点在于：

32、提高了活体超声图像的质量和细节保真度：通过融合多帧邻近图像，弥补了单帧图像的缺失信息，增强了细节特征；各向异性扩散滤波和对数压缩增强了细节对比度，突出了感兴趣区域；结构转移滤波有效保留了原始图像的边缘和结构信息；

33、实现了自适应去噪，有效提升了图像的信噪比：融合多帧平均可抑制随机噪声，提高信噪比；各向异性扩散滤波能够有效去除图像噪声，但不影响边缘细节；结构转移引导机制确保了滤波质量，避免了伪影和失真；

34、精准分析了呼吸运动规律，指导了高质量选帧：通过二维矩阵分析，自动识别呼气/吸气顶点，划分呼吸周期；确定平均呼吸周期、吸呼比参数，量化描述呼吸特征；结合相位曲线进行合理分组，确保选帧的呼吸一致性；选帧遵循最佳相位匹配和互相关性准则，有利于融合质量；

35、实现了自适应参数调整，提高了通用性：根据实际呼吸周期数自适应确定邻帧范围，避免冗余；预设参考值k，可灵活调整融合图像数目，权衡质量和效率；移动窗口自适应调整，专注关键区域，避免背景干扰；分组分阶段处理，算法流程合理，易于推广应用；

36、算法高效，满足实时处理需求：滚动更新方式持续优化融合结果，无需重复全部计算；选帧和邻帧筛选策略减少了大量重复查找计算；建立在经典多尺度分析框架上，计算复杂度可控；