Что такое метод усиления в компьютерной томографии

Обновлено: 22.11.2024

Майкл Д. Креагер, Тобиас Хол, Джошуа Д. Хатчесон, Аластер Дж. Мосс, Флориан Шлоттер, Марк С. Блазер, Ми-Э Парк, Ланг Хо Ли, Саша А. Сингх, Карлос Дж. Алкайде-Коррал, Адриана А.С. Таварес, Дэвид Э. Ньюби, Мари Ф. Киевски, Масанори Айкава, Марсело Ди Карли, Марк Р. Двек, Елена Айкава

Результаты исследования: вклад в журнал › статья › рецензирование

Аннотация

Общие сведения. Микрокальцинаты в атеросклеротических бляшках являются дестабилизирующими факторами, предсказывают неблагоприятные сердечно-сосудистые события и связаны с повышенной заболеваемостью и смертностью. Позитронно-эмиссионная томография (ПЭТ)/компьютерная томография (КТ) с 18-фторидом продемонстрировала перспективность использования в качестве полезного клинического диагностического инструмента для выявления бляшек высокого риска; однако существует путаница в отношении основного механизма усиления сигнала, наблюдаемого в ПЭТ-положительных и КТ-отрицательных областях изображения. В этом исследовании была проверена гипотеза о том, что ПЭТ/КТ с 18 F-фторидом может выявлять ранние микрокальцинаты.

Методы. Усиление сигнала 18 F-фторида, полученное из микрокальцинатов, было проверено по сравнению с молекулярной визуализацией флуоресценции в ближней инфракрасной области и гистологией с использованием трехмерной гидрогелевой коллагеновой платформы in vitro, образцов человека ex vivo и мышиной модели атеросклероза.

Результаты. Размер микрокальцинатов обратно пропорционален концентрации коллагена. 18 F-фторидный лиганд, связанный с микрокальцификациями, образованными путем кальцификации внеклеточных везикул, происходящих из гладкомышечных клеток сосудов, в трехмерной системе коллагена in vitro, проявлял возрастающий сигнал с увеличением концентрации коллагена (0,25 мг/мл коллагена -33,8×10 2 ). ±12,4×10 2 импульсов в минуту; 0,5 мг/мл коллагена -67,7×10 2 ±37,4×10 2 импульсов в минуту; P=0,0014), что свидетельствует об усилении сигнала ПЭТ за счет более мелких микрокальцинатов. Далее мы инкубировали образцы атеросклеротической эндартерэктомии человека с клинически значимыми концентрациями 18 F-фторида. Лиганд 18 F-фторид помечал микрокальцификации в ПЭТ-положительных и КТ-отрицательных областях эксплантированных образцов человека, о чем свидетельствуют изображения 18 F-фторида ПЭТ / КТ, флуоресценция в ближней инфракрасной области и гистологический анализ. Кроме того, лиганд 18 F-фторид идентифицировал микро- и макрокальцификации в атеросклеротических аортах, полученных от мышей с дефицитом рецепторов липопротеинов низкой плотности.

Выводы. Наши результаты показывают, что сигнал ПЭТ с 18 F-фторидом в ПЭТ-положительных и КТ-отрицательных областях атеросклеротических бляшек человека является результатом развития микрокальцинатов, а большая площадь поверхности в областях небольших микрокальцинатов может усиливать сигнал ПЭТ.< /p>

Доступ к документу

Отпечаток пальца

Погрузитесь в темы исследования «18 Усиление сигнала F-фторида идентифицирует микрокальцификации, связанные с нестабильностью атеросклеротических бляшек, на изображениях позитронно-эмиссионной томографии/компьютерной томографии». Вместе они образуют уникальный отпечаток пальца.

Проекты

Проектов в год

Неинвазивная визуализация коронарного атеротромбоза у человека

  • Позитронно-эмиссионная томография Компьютерная томография 100%

Идентификация и прогнозирование разрыва бляшки коронарной артерии с помощью позитронно-эмиссионной томографии с 18F-фторидом

Подходы молекулярной визуализации грудной клетки и биоинформатики к исследованию внезапной смерти (THANATOS)

Профили

Адриана Таварес

Человек: Академик: Активный исследователь

Процитировать

  • АПА
  • Автор
  • БИБТЕКС
  • Гарвард
  • Стандартный
  • РИС
  • Ванкувер

Креагер, Майкл Д. ; Холь, Тобиас ; Хатчесон, Джошуа Д. ; Мосс, Аластер Дж. ; Шлоттер, Флориан ; Блейзер, Марк К.; Парк, Ми-Ае ; Ли, Ланг Хо ; Сингх, Саша А. ; Алькаид-Коррал, Карлос Дж. ; Таварес, Адриана А.С. ; Ньюби, Дэвид Э.; Киевски, Мари Ф. ; Айкава, Масанори ; Ди Карли, Марсело ; Двек, Марк Р. ; Айкава, Елена. / 18 Усиление сигнала F-фторида идентифицирует микрокальцификации, связанные с нестабильностью атеросклеротических бляшек, на изображениях позитронно-эмиссионной томографии/компьютерной томографии . В: Циркуляция: визуализация сердечно-сосудистой системы. 2019 ; Том. 12, № 1.

title = "Усиление сигнала 18F-фторидом идентифицирует микрокальцификации, связанные с нестабильностью атеросклеротических бляшек, на изображениях позитронно-эмиссионной томографии/компьютерной томографии",

abstract = "Фон: микрокальцинаты в атеросклеротических бляшках являются дестабилизирующими, предсказывают неблагоприятные сердечно-сосудистые события и связаны с повышенной заболеваемостью и смертностью.Позитронно-эмиссионная томография (ПЭТ)/компьютерная томография (КТ) с 18F-фторидом продемонстрировала перспективность использования в качестве полезного клинического диагностического инструмента для выявления бляшек высокого риска; однако существует путаница в отношении основного механизма усиления сигнала, наблюдаемого в ПЭТ-положительных и КТ-отрицательных областях изображения. В этом исследовании была проверена гипотеза о том, что ПЭТ/КТ с 18F-фторидом может идентифицировать ранние микрокальцификаты. Методы. Усиление сигнала 18F-фторида, полученное в результате микрокальцинатов, было подтверждено с помощью молекулярной флуоресцентной визуализации в ближней инфракрасной области спектра и гистологии с использованием 3-мерной гидрогелевой коллагеновой платформы in vitro, например человеческие образцы vivo и мышиная модель атеросклероза. Результаты: размер микрокальцификации обратно пропорционален концентрации коллагена. 18F-фторидный лиганд, связанный с микрокальцификациями, образованными путем кальцификации внеклеточных везикул, происходящих из гладкомышечных клеток сосудов, в трехмерной системе коллагена in vitro, проявлял возрастающий сигнал с увеличением концентрации коллагена (0,25 мг/мл коллагена -33,8×102±12,4). × 102 импульсов в минуту; 0,5 мг/мл коллагена -67,7 × 102 ± 37,4 × 102 импульсов в минуту; P = 0,0014), что свидетельствует об усилении сигнала ПЭТ за счет более мелких микрокальцинатов. Далее мы инкубировали образцы атеросклеротической эндартерэктомии человека с клинически значимыми концентрациями 18F-фторида. 18F-фторид-лиганд помечал микрокальцификации в ПЭТ-положительных и КТ-отрицательных областях эксплантированных образцов человека, о чем свидетельствуют изображения ПЭТ/КТ с 18F-фторидом, флуоресценция в ближней инфракрасной области и гистологический анализ. Кроме того, 18F-фторидный лиганд идентифицировал микро- и макрокальцификации в атеросклеротических аортах, полученных от мышей с дефицитом рецепторов липопротеинов низкой плотности. результат развития микрокальцинатов, а большая площадь поверхности в областях небольших микрокальцинатов может усиливать сигнал ПЭТ.",

author = "Креагер, <Майкл Д.>, Тобиас Холь, Хатчесон, Мосс, Флориан Шлоттер и Блазер, Ми-Э Парк, Ли, Сингх, Алкейд-Коррал, Таварес и Ньюби, и Киевски, и Масанори Айкава, и Марсело, и Двек, и Елена Айкава",

Результаты исследования: вклад в журнал › статья › рецензирование

Усиление сигнала T1 – 18F-фторид позволяет выявить микрокальцинаты, связанные с нестабильностью атеросклеротических бляшек, на изображениях позитронно-эмиссионной томографии/компьютерной томографии

Пространственное разрешение в компьютерной томографии (КТ) было ограничено из-за чрезмерного увеличения статистического шума, связанного с увеличением разрешения. Функции фильтра реконструкции были разработаны для создания томографических изображений с разрешением, максимально близким к собственному разрешению детектора. Поскольку эти функции фильтра придают возрастающий вес возрастающим пространственным частотам в измеренных данных, это приводит к значительному усилению шума в верхней части полосы пространственных частот функции фильтра, где сигнал от детектора имеет низкую амплитуду. Этот математический подход к усилению пространственной частоты не может различать сигнал и шум, и поэтому оба они усиливаются одинаково. Подход к улучшению томографического разрешения заключается в использовании очень маленьких детекторов для избирательного усиления сигнала, но не шума. Этот метод усиления сигнала (SAT) может обеспечить улучшение разрешения изображения без увеличения частоты среза алгоритма реконструкции. В качестве альтернативы, в случаях, когда количество изображений невелико, статистический шум можно уменьшить, понизив частоту среза. Описан возможный дизайн системы для позитронной компьютерной томографии с SAT.

Похожие статьи

Links JM, Leal JP, Mueller-Gaertner HW, Wagner HN Jr. Links JM и др. Eur J Nucl Med. 1992;19(11):925-32. дои: 10.1007/BF00175857. Eur J Nucl Med. 1992 г. PMID: 1425779

Уэбб С., Флауэр М.А., Отт Р.Дж., Лич М.О., Инамдар Р. Уэбб С. и соавт. Бр Дж Радиол. 1983 декабрь; 56 (672): 939-44. doi: 10.1259/0007-1285-56-672-939. Бр Дж Радиол. 1983 г. PMID: 6606478

Иида Х., Сасаки Х., Иноуэ Х., Канно И., Миура С., Окуяма Д., Уэмура К. Иида Х. и др. Радиоизотопы. 1986 ноябрь; 35 (11): 589-94. doi: 10.3769/radioisotopes.35.11_589. Радиоизотопы. 1986. PMID: 3492733 Японский.

Kinahan PE, Hasegawa BH, Beyer T. Kinahan PE, et al. Семин Нукл Мед. 2003 г., июль; 33 (3): 166–79. doi: 10.1053/snuc.2003.127307. Семин Нукл Мед. 2003 г. PMID: 12931319 Обзор.

Цитируется по 5 статьям

Левин С.С. Левин КС. Дж Нукл Мед. 2012 г., февраль; 53 (2): 167–70. doi: 10.2967/jnumed.110.084343. Дж Нукл Мед. 2012. PMID: 22302960 Бесплатная статья PMC. Обзор.

Пэн Б.Х., Левин С.С. Пэн Б.Х. и др. Карр Фарм Биотехнолог. 2010 1 сентября; 11 (6): 555-71. дои: 10.2174/138920110792246555. Карр Фарм Биотехнолог. 2010. PMID: 20497121 Бесплатная статья PMC. Обзор.

Бис А.Н., Вонг Д.Ф., Вагнер Х.Н. мл.Байс А.Н. и соавт. Eur J Nucl Med. 1987;13(1):1-6. дои: 10.1007/BF00252637. Eur J Nucl Med. 1987 г. PMID: 3496220

Пупи А., Де Кристофаро М.Т., Формикони А.Р., Пассери А., Сперанци А., Джираудо Э., Мелдолези У. Пупи А. и др. Eur J Nucl Med. 1990;17(1-2):15-20. дои: 10.1007/BF00819398. Eur J Nucl Med. 1990 г. PMID: 2083539

Улучшение пространственного разрешения в компьютерной томографии (КТ) было ограничено большими и уникальными свойствами распространения ошибок этого метода. Стремление обеспечить максимальное разрешение изображения привело к использованию функций фильтра реконструкции, предназначенных для получения томографических изображений с разрешением, максимально близким к собственному разрешению детектора. Таким образом, многие компьютерные томографы производят изображения с чрезмерным шумом, а разрешение системы определяется разрешением детектора, а не алгоритмом реконструкции. CT — это строгий математический метод, который применяет увеличивающееся усиление к возрастающим пространственным частотам в измеренных данных. Этот математический подход к пространству… продолжение ниже

Физическое описание

Информация о создании

Контекст

Этот отчет является частью коллекции, озаглавленной: Технические отчеты Управления научной и технической информации, и был предоставлен Отделом государственных документов библиотек ЕНТ в Цифровую библиотеку ЕНТ, цифровой репозиторий, размещенный библиотеками ЕНТ. Его просмотрели 24 раза. Дополнительную информацию об этом отчете можно просмотреть ниже.

Люди и организации, связанные либо с созданием этого отчета, либо с его содержанием.

Авторы

Издатели

Предоставлено

Отдел государственных документов библиотек ЕНТ

Являясь одновременно федеральной и государственной депозитарной библиотекой, отдел государственных документов библиотек ЕНТ хранит миллионы единиц хранения в различных форматах. Департамент является участником Программы партнерства в области контента FDLP и Аффилированного архива Национального архива.

Свяжитесь с нами

Описательная информация, помогающая идентифицировать этот отчет. Перейдите по ссылкам ниже, чтобы найти похожие элементы в электронной библиотеке.

Описание

Улучшение пространственного разрешения в компьютерной томографии (КТ) было ограничено большими и уникальными свойствами распространения ошибок этого метода. Стремление обеспечить максимальное разрешение изображения привело к использованию функций фильтра реконструкции, предназначенных для получения томографических изображений с разрешением, максимально близким к собственному разрешению детектора. Таким образом, многие компьютерные томографы производят изображения с чрезмерным шумом, а разрешение системы определяется разрешением детектора, а не алгоритмом реконструкции. CT — это строгий математический метод, который применяет увеличивающееся усиление к возрастающим пространственным частотам в измеренных данных. Этот математический подход к усилению пространственной частоты не может различать сигнал и шум, и поэтому оба они усиливаются одинаково. Здесь мы сообщаем о методе, в котором томографическое разрешение улучшается за счет использования очень маленьких детекторов для избирательного усиления сигнала, а не шума. Таким образом, этот подход называется методом усиления сигнала (SAT). SAT может обеспечить значительное улучшение разрешения изображения без увеличения статистического шума или дозы, поскольку для улучшения разрешения изображения не требуется увеличения частоты среза алгоритма реконструкции. В качестве альтернативы, в случаях, когда количество изображений невелико, например, при быстрых динамических исследованиях или исследованиях рецепторов, статистический шум можно уменьшить, снизив частоту среза при сохранении наилучшего возможного разрешения изображения. Описан возможный дизайн системы для позитронной компьютерной томографии с SAT.

Контрастность изображения – это важная визуальная характеристика, которая определяет хорошее качество изображения. В компьютерной томографии (КТ) захваченные изображения, как правило, имеют низкую контрастность, что является распространенным артефактом, снижающим качество изображения и затрудняющим процесс извлечения из него полезной информации. Распространенной тактикой обработки таких артефактов является использование методов на основе гистограмм. Однако, хотя эти методы могут улучшить контрастность для различных приложений визуализации в градациях серого, результаты в основном неприемлемы для КТ-изображений из-за представления различных дефектов, усиления шума, избыточной яркости и несовершенного контраста. Поэтому в этой статье представлена ​​улучшенная версия адаптивного выравнивания гистограммы с ограничением по контрасту (CLAHE), обеспечивающая хорошую яркость при достойном контрасте для КТ-изображений. Новая модификация вышеупомянутого метода выполняется путем добавления начальной фазы функции нормализованной гамма-коррекции, которая помогает настроить гамму обработанного изображения, чтобы избежать общих ошибок базовой CLAHE, связанных с избыточной яркостью и несовершенным контрастом, который он производит.Недавно разработанная методика тестируется на синтетических и низкоконтрастных КТ-изображениях с реальным ухудшением качества, в которых она в значительной степени способствовала получению результатов более высокого качества. Кроме того, предлагается простой метод повышения контрастности, и его эффективность также демонстрируется в сравнении с различными версиями метода улучшения на основе гистограмм с использованием трех расширенных показателей оценки качества изображения: универсального индекса качества изображения (UIQI), индекса структурного подобия (SSIM), и Индекс сходства признаков (FSIM). Наконец, предложенный метод дал приемлемые результаты без видимых артефактов и превзошел все сопоставимые методы.

Введение

В области цифровой обработки изображений повышение контрастности играет важную роль в обеспечении четкого распознавания изображения для различных приложений обработки изображений [1], включая компьютерную томографию (КТ). Более того, усиление контраста позволяет легко различать компоненты изображения за счет соответствующего повышения его контрастности [2]. В результате он обеспечивает лучшее понимание размытых изображений для улучшения визуального понимания и обеспечения точной интерпретации [3]. Типичные зрители относятся к изображениям с повышенной контрастностью, как если бы с отфильтрованного изображения была удалена завеса тумана. В компьютерной томографии (КТ) захваченные изображения имеют тенденцию быть малоконтрастными 7, что является распространенным артефактом, снижающим качество изображения и затрудняющим процесс извлечения из него полезной информации. Получению низкоконтрастных КТ-изображений способствовали многие причины, такие как использование низкой дозы облучения во время исследования [8], различные устройства сбора, передачи, хранения, отображения и различные виды алгоритмов реконструкции и улучшения [9]. Точно так же эффекты частичного объема могут привести к снижению контрастности КТ-изображения [10]. Кроме того, шум может привести к низкоконтрастным изображениям [11]. Кроме того, шумоподавляющие фильтры ухудшают контрастность, снижая при этом шум [12]. Эти факторы вызывают неестественный вид изображения, скрывая некоторые важные детали. Поэтому следует применять специально разработанные методы для получения лучшего разрешения изображения без какой-либо информации о происхождении ухудшения качества источника. Эти методы в основном классифицируются как пространственные и частотные методы [13]. Наиболее популярными методами повышения контрастности являются те, которые улучшают уровни серого изображения в пространственной области. Эти методы состоят из логарифмических и степенных преобразований [14,15]; низкочастотная, высокочастотная, гомоморфная фильтрация [3]; выравнивание гистограммы [16]; контрастное растяжение [17]; нормализация [18]; и сигмовидная функция [19]. В последнее время методы модификации гистограмм привлекли значительное внимание исследователей из-за их прямых и инстинктивных качеств применения и их способности применяться к изображению как глобально, так и локально. Однако такие методы часто не дают приемлемых результатов для широкого набора низкоконтрастных изображений [20]. Выравнивание гистограммы (HE) — это распространенный метод повышения контрастности, который широко используется в различных приложениях для обработки изображений из-за его простоты и быстроты [21]. По сути, выравнивание гистограммы достигается за счет перераспределения значений пикселей для данного изображения. Однако во многих случаях он работал плохо из-за своих недостатков, таких как потеря деталей, чрезмерное улучшение, усиление шума и проблема среднего сдвига, которая приводит к заметному различию между освещением входного и выходного изображений [22]. . Чтобы преодолеть вышеупомянутые недостатки, были предложены различные модификации гистограмм, чтобы обеспечить более эффективные методы повышения контрастности на основе гистограмм, при этом такие методы полностью объясняются в разделе 2. Таким образом, в этом исследовании предлагается модифицированный метод адаптивного выравнивания гистограммы с ограничением контраста (CLAHE). которые можно использовать для эффективной обработки низкоконтрастных КТ-изображений. Предлагаемый метод зависит от нормализованной функции гамма-коррекции для улучшения несбалансированного контраста и уменьшения повышенной яркости CLAHE. Результаты, полученные путем проведения различных экспериментов с различными изображениями, показывают существенное улучшение контраста отфильтрованных изображений, на которых они выглядят лучше, чем их исходные версии. Эта статья структурирована следующим образом: В Разделе 2 соответствующие работы должным образом объясняются. В разделе 3 предлагаемая методика обсуждается более подробно. В разделе 4 представлены экспериментальные результаты и сравнения с соответствующими обсуждениями. В Разделе 5 приводится краткое изложение важных заключительных замечаний.

Похожие работы

В этом разделе кратко рассматриваются многие известные методы, основанные на гистограммах. После HE была предложена усовершенствованная методика, известная как CLAHE [23] для обеспечения лучшего контраста обрабатываемых изображений.Однако у этого алгоритма также есть недостатки, заключающиеся в том, что он не смог правильно обработать некоторые КТ-изображения и дал неудовлетворительные результаты, поскольку изображения страдали несбалансированной контрастностью и повышенной яркостью. Такие ограничения снижали надежность CLAHE для использования в качестве надежного метода улучшения современных клинических процедур. Кроме того, была предложена методика бигистограммного выравнивания с сохранением яркости (BBHE) [24], которая разделяет обрабатываемое изображение на два субизображения в зависимости от среднего значения входного изображения. Затем два субизображения выравниваются по отдельности с использованием метода HE. Связанный с BBHE, был предложен метод дуалистического выравнивания гистограммы субизображения (DSIHE) [25], который также разбивает обработанное изображение на два субизображения, но вместо использования среднего входного изображения использует его медиану для увеличения энтропия полученного изображения. Впоследствии была предложена бигистограммная коррекция с минимальной средней ошибкой яркости (MMBEBHE) [26] для достижения более высокого уровня сохранения яркости без выявления нежелательных артефактов за счет использования функции минимальной абсолютной средней ошибки яркости (AMBE). Эта функция позволяет получить абсолютную разницу между входными и выходными средними значениями для вычисления порога, отключающего входную гистограмму. Из-за трудоемкости этого алгоритма для облегчения его реализации был использован специальный метод оценки для рекурсивного вычисления значений AMBE. Одновременно теми же авторами MMBEBHE ​​была предложена методика рекурсивного выравнивания гистограммы по среднему раздельному (RMSHE) [27]. В этом методе среднее значение каждой гистограммы вычисляется итеративно (r) раз для получения (2 r ) подгистограмм. В результате результирующая яркость изображения будет увеличиваться по мере увеличения номера итерации. Точно так же был предложен метод рекурсивного выравнивания гистограммы подизображения (RSIHE) [28], который разделяет гистограмму с использованием метода медианного разделения, а не среднего разделения, используемого RMSHE. RMSHE и RSIHE считаются улучшенными версиями BBHE и DSIHE. Однако они вызывают две проблемы: во-первых, количество подгистограмм должно быть в степени двойки и, во-вторых, относительно способа выбора оптимального значения (r). Аналогичным образом было предложено динамическое выравнивание нечеткой гистограммы (BPDFHE) с сохранением яркости [29]. При этом используется нечеткая статистика изображения, что приводит к лучшей обработке неточных значений уровня серого для повышения контрастности изображения. После этого было введено непараметрическое модифицированное выравнивание гистограммы (НМГЭ) [13], обладающее независимой настройкой параметров динамического диапазона изображения. Кроме того, он использует измененную функцию гистограммы для повышения качества изображения. Недавно был представлен метод выравнивания гистограммы субизображения на основе экспозиции (ESIHE) [30], который использует пороги экспозиции для разделения данного изображения на группу субизображений. Затем их гистограмма обрезается по рассчитанному порогу из среднего числа доступных уровней серого. Наконец, каждое субизображение корректируется индивидуально, а затем эти субизображения объединяются вместе, чтобы сформировать полное изображение. Все вышеупомянутые методы были разработаны для использования во многих научных приложениях, за исключением CLAHE, который был разработан для использования в медицинских целях [31,32]. Раннее применение CLAHE было на низкоконтрастных КТ медицинских изображениях для улучшения их плохого контраста, в котором [32] уточнили, что этот метод можно использовать в клинических целях. Таким образом, повышение производительности стандартного CLAHE крайне желательно, поскольку он имеет большой потенциал для применения в современных клинических процедурах, включая компьютерную томографию.

Предлагаемое нормализованное адаптивное выравнивание гистограммы с гамма-коррекцией и ограничением контраста (NGCCLAHE)

Гамма – это важная, но редко понимаемая характеристика почти каждой цифровой системы обработки изображений. Он описывает взаимосвязь между яркостью пикселя и его числовым значением. Процесс гамма-коррекции представляет собой функцию преобразования уровня серого, применяемую к изображениям для улучшения их несовершенной яркости. Следовательно, это может быть достигнуто за счет использования степенной функции преобразования [33]. Степенной закон является подходящей многоцелевой функцией для управления контрастом в пространственной области [34]. Обычно это преобразование используется для коррекции несовершенных уровней яркости изображения [35]. При изменении значения гаммы γ также меняется характер отображения входной и выходной интенсивностей [14]. Степенное преобразование математически представляется как:

где R — изображение с гамма-коррекцией; X — исходное изображение, в котором значения пикселей X должны быть в диапазоне от 0 до 1; c — положительный постоянный параметр, управляющий яркостью; γ — положительный постоянный параметр, представляющий гамма-значение [15].Однако параметр c удален, так как увеличение его значения может привести к потере деталей изображения и нежелательной яркости, что не рекомендуется для КТ-изображений. Поэтому в этой статье используется оптимизированный степенной закон P, который выражается следующим образом:

Преимущество степенного преобразования заключается в том, что функцией преобразования можно управлять, изменяя значения гаммы γ. Его недостатком является то, что увеличение значения γ привело бы к чрезмерной компенсации гаммы изображения и тем самым к затемнению обработанного изображения при одновременном повышении его контрастности [36]. И наоборот, низкоконтрастные изображения характеризуются низкой интенсивностью динамического диапазона. Следовательно, требуется расширить этот динамический диапазон, чтобы он соответствовал его полному естественному интервалу. В контексте обработки изображений расширение динамического диапазона, которое также называется нормализация, представляет собой процедуру, которая изменяет диапазон значений интенсивности пикселей, при этом она применяется к изображениям с плохим динамическим диапазоном уровней серого. Он называется нормализацией, потому что приводит изображение в более привычный для органов чувств диапазон [37]. Следующее уравнение нормализации используется для линейного масштабирования пикселей, чтобы они соответствовали их полному естественному диапазону:

где X представляет входное изображение, N представляет нормализованное изображение, а операторы min и max используются для получения максимального и минимального значений пикселей в данном изображении. , соответственно. В этом исследовании представлена ​​недавно разработанная функция под названием нормализованная гамма-коррекция (NGC), которая использует недостаток гамма-коррекции в качестве ключевого преимущества, помогающего уменьшить яркость и повысить контрастность, принимая во внимание функцию нормализации полного динамического диапазона. Уравнение NGC записывается следующим образом:

И наконец, добавление функции NGC в CLAHE может значительно повысить его производительность, при этом эта функция помогает уменьшить яркость и повысить контрастность ухудшенного изображения. Следовательно, при применении метода CLAHE можно дополнительно улучшить контрастность и увеличить яркость изображения. Как следствие, корректируются повышенная яркость и несбалансированная контрастность КЛАЭ и достигается адекватное визуальное качество обрабатываемых изображений. Предлагаемый NGCCLAHE улучшает контраст данного изображения за семь отдельных шагов, как это предложено в алгоритме 1, в котором шаги 2–7 были установлены на основе [38,39].

Алгоритм 1: NGCCLAHE

Шаг 1. Используйте функцию NGC в уравнении 4, чтобы отрегулировать контрастность изображения на начальном этапе обработки.

Шаг 2. Разделите скорректированное изображение на несколько непересекающихся областей одинакового размера, называемых плитками, каждая из которых имеет размер M × N: в результате этого деления образуются три разные группы регионов. Первая группа называется угловыми областями (CR), которая содержит четыре угловых области. Вторая группа называется пограничными регионами (BR), которая содержит все пограничные регионы, кроме угловых. Третья группа называется внутренними областями (IR), которая содержит остальные области изображения. Например, если размер данного изображения составляет 512 × 512, его можно разделить на 64 области, каждая из которых имеет размер 8 × 8, чтобы получить достойную статистическую оценку. Иллюстрация такого деления показана на рисунке 1. В этом исследовании размер тайлов установлен равным 8 × 8.

Организация регионов в изображении размером 512 × 512.

Затем для каждого региона выполните следующие действия:

Шаг 3. Определите локальную гистограмму региона. На этом этапе для каждой градации серого в регионе подсчитывается количество оттенков серого с одинаковым значением. Процесс сбора этих значений для всех оттенков серого называется гистограммой, которую можно получить с помощью кумулятивной функции распределения (CDF). Для каждой области предположим, что M и N — количество пикселей, h i,j < /sub>(n) для n = 0, 1, 2,…, N − 1 — это гистограмма ( i, j) регион. Затем соответствующий CDF рассчитывается как:

где h i,j (k) — гистограмма пикселя k и n = 0, 1, 2,…, N − 1.

Шаг 4. Рассчитайте значение ограничения клипа. Предел клипа β можно определить с помощью следующего уравнения:

где α — коэффициент ограничения, значение которого может быть от 0 до 100. s max — максимально допустимый наклон, в котором его значение может быть между 1 и s max.

Шаг 5. Обрезка гистограммы, которая превышает связанный предел обрезки. На этом шаге гистограмма изменяется на основе полученного предела обрезки путем ограничения максимального количества отсчетов для каждого пикселя до β. . Это можно заархивировать, сохранив гистограммы, которые меньше или равны β, и отсекая те, которые превышают β.

Шаг 6. Перераспределите значения обрезанных гистограмм по всем ячейкам гистограммы. На этом этапе выполняется рекурсивное равномерное распределение дополнительных значений, превышающих лимит отсечения, среди пикселей с числом значений. меньше или равно β. Это еще раз подталкивает определенные счетчики к пределу клипа, как на рисунке 2b. Следовательно, результирующий избыток снова перераспределяется, и процесс повторяется до тех пор, пока предел отсечения больше не будет превышен ни одним отсчетом (элементами гистограммы). Следовательно, перераспределение отсчетов может потребовать нескольких итераций для каждой гистограммы. Процессы отсечения и перераспределения описаны в алгоритме 2 и показаны на рисунке 2.

Процессы вырезания и перераспределения. а) обнаружение превышения количества; (б) равномерное распределение дополнительных счетчиков.

Шаг 7. Рассчитайте новые значения пикселей с помощью функций сопоставления на основе нового перераспределения гистограммы. На этом этапе используются три функции сопоставления для вычисления новых значений пикселей в зависимости от их расположения для контраста. -ограниченные регионы. Для внутренних областей отображения четырех ближайших соседних областей используются для определения отображения каждого квадранта в области. Например, что касается рисунка 3а, указанный пиксель в квадранте 1 области (i, j) отображается в зависимости от его горизонтального и вертикального расстояний от центров ( i, j), (i, j − 1), (i − 1, j) и (i − 1, j − 1) областей, в которых эти расстояния показаны на рисунке 3b. Новое значение пикселя p в квадранте 1 области (i, j) рассчитывается как:

Структура соседства внутренних регионов. (а) Конкретная внутренняя область с граничащими с ней областями. (b) Пиксель p из квадранта 1 и его связь с центрами четырех ближайших областей.

где r, s, x и y — заданные расстояния, указанные на рисунке 3b. f i,j (·) — кумулятивная функция распределения. Таким же образом вычисляются новые значения пикселей для квадрантов 2, 3 и 4 области (i, j). Для приграничных регионов организация соседства отличается, как показано на рисунке 4а. Что касается этой ситуации, то организация соседства пикселей в квадранте 1 или 3 аналогична организации областей внутренней группы, в то время как для квадранта 2 или 4 она отличается, поскольку одна такая ситуация в квадранте 2 показана на рисунке 4b. Новое значение пикселя p в квадранте 2 области (i, j) рассчитывается как:

Структура соседства приграничных регионов. а) конкретный приграничный регион с прилегающими к нему регионами. (b) Пиксель p из квадранта 2 и его связь с центрами четырех ближайших областей.

Новые значения пикселей для четвертого квадранта области (i, j) вычисляются таким же образом. Для угловых областей наблюдаются разные характеристики для разных квадрантов, как показано на рисунке 5. Из предыдущего рисунка видно, что квадрант 4 имеет организацию соседства, аналогичную внутренней области, в то время как квадранты 2 и 3 имеют организацию соседства, подобную организации границы. регионы. Однако квадрант 1 является единственным в своем роде и не имеет контакта с другими областями. Новое значение пикселя p в квадранте 1 области (i, j) рассчитывается как:

Структура соседства углового региона.

где другие угловые области отображаются аналогичным образом. Наконец, вновь полученные значения пикселей сохраняются в новом массиве, размер которого аналогичен размеру исходного изображения, для формирования нового улучшенного изображения.

Алгоритм 2. Процессы обрезки и перераспределения пикселей.

Результаты и обсуждение

Улучшение изображений КТ головного мозга с реальным ухудшением качества. (C1) естественно ухудшенные низкоконтрастные КТ-изображения; (C2) улучшено с помощью NGCCLAHE; (C3) улучшено CLAHE.

Читайте также: