ارائه‌ي يك روش جديد جهت كاهش نويز اسپكل در تصاوير فراصوت پزشكي با استفاده از تركيب فيلتر ميانگين غير محلي و تبديل موجك

A New Method for Speckle Noise Reduction in Medical Ultrasound Images Using Wavelet and Non-Local Mean Filter

تصويربرداري فراصوت پزشكي كه به علت غيرتهاجمي و كم‌هزينه بودن بسيار استفاده مي‌شود، توسط نوعي نويز ضرب شونده كه اسپكل ناميده مي‌شود، آلوده مي‌گردد. تا كنون روش‌هاي متعددي براي كاهش اثر نويز اسپكل در مقالات مختلف ارائه شده است كه به طور كلي به پنج دسته‌ي روش‌هاي ديناميكي، روش‌هاي زمان-فركانسي، روش‌هاي مدرن، روش‌هاي هيبريدي و روش‌هاي مبتني بر يادگيري ماشين تقسيم مي‌گردد. در اين مقاله، روش جديدي كه مبتني بر تركيب فيلتر ميانگين غيرمحلي و تبديل موجك است، ارائه مي‌گردد. تبديل موجك گسسته (DWT) تصوير را به دو بخش ضرايب تقريب و جزئيات تقسيم مي‌كند. در تصاوير داراي نويز، ضرايب جزئيات تصوير به دليل اثر نويز، كاهش مي‌يابد. به همين دليل با يك آستانه گذاري مناسب اثر نويز بر روي تصوير را كاهش مي‌دهيم. فيلتر ميانگين غيرمحلي، برخلاف ميانگين محلي كه به ناحيه‌ي خاصي از تصوير محدود مي‌شود، از تمام پيكسل‌هاي تصوير ميانگين مي‌گيرد و به آن‌ها بر اساس شباهتشان به يكديگر، وزني را اختصاص مي‌دهد و نتيجه‌ي حذف نويز آن، باعث افزايش وضوح تصاوير مي‌گردد. روش پيشنهادي بر روي تصاوير شبيه‌سازي شده و همچنين تصاوير واقعي اعمال شده و با ساير روش‌هاي ديگر مقايسه مي‌گردد. اين مقايسه از چهار طريق مشاهده‌ي عيني، MSE، PSNR و SSIM انجام مي‌پذيرد و نتايج نشان مي‌دهد كه اين مقادير به ترتيب %20/14، %06/2 و %96/3 نسبت به ميانگين ساير روش‌ها بهبود يافتند و جزئيات تصوير نيز به خوبي حفظ شدند.

Medical ultrasound imaging, which is widely used due to its non-invasive nature and low cost, is corrupted by a multiplicative noise called speckle. So far, several methods have been proposed to reduce the effect of speckle noise in various studies, which are generally classified into five categories: dynamic analysis, time-frequency, modern techniques, hybrid techniques, and machine learning-based techniques. In this study, a new method based on the combination of non-local mean filter and wavelet transform has been proposed. Discrete wavelet transform (DWT) decomposes image into two parts: approximation and detail coefficients. In noisy images, detail coefficients are reduced due to the noise. For this reason, we suppress the effect of noise with proper thresholding. The non-local mean filter, takes a mean of all pixels in the image, weighted by how similar these pixels are to the target pixel, and the result of its noise removal enhances the contrast of the images. Exhaustive experiments are conducted on various images such as simulated and real images and compared with other methods. This comparison was done by three methods, MSE, PSNR, and SSIM, and it is observed that these values are improved by 14.20%, 2.06%, and 3.96%, respectively, compared to the average of other methods, and the image details are also Well preserved.