МОДИФИЦИРОВАННАЯ МОДЕЛЬ ПЕРОНА–МАЛИКА С ЭНТРОПИЙНОЙ АДАПТАЦИЕЙ ДЛЯ ФИЛЬТРАЦИИ СПЕКЛ-ШУМА В УЛЬТРАЗВУКОВЫХ ИЗОБРАЖЕНИЯХ СЕРДЦА
Получена: 2026-07-15 14:57:20
Опубликована: 2026-04-18
Аннотация
В данной статье исследуется проблема снижения спекл-шума в ультразвуковых (ЭхоКГ) изображениях — ключевой вызов, существенно влияющий на точность диагностической интерпретации и автоматической сегментации. Предложена энтропийно-адаптивная модификация классической модели анизотропной диффузии Перона–Малика, в которой коэффициент диффузии управляется локальными статистическими дескрипторами (энтропией и дисперсией) для каждого пиксела индивидуально. В однородных областях с низкой энтропией диффузия усиливается для подавления мультипликативного спекл-шума, тогда как в высокоэнтропийных областях (края, тканевые границы) процесс диффузии автоматически замедляется для сохранения структурных деталей. Экспериментальная проверка на В-сканах эхокардиографических изображений показывает, что предложенный метод превосходит классическую модель Перона–Малика приблизительно на 3– 4 дБ по PSNR и на 0.06 по SSIM.
Ключевые слова
Список литературы
-
Savarese G., Lund L.H. Global public health burden of heart failure // Cardiac Failure Review. — 2017. — Vol. 3, No. 1. — P. 7–11.
-
Ponikowski P. et al. 2016 ESC guidelines for the diagnosis and treatment of acute and chronic heart failure // European Heart Journal. — 2016— Vol. 37, No. 27. — P. 2129–2200.
-
World Health Organization. Cardiovascular diseases (CVDs). — Geneva: WHO, 2021.
-
Litjens G. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. — 2017. — Vol. 42. — P. 60–88.
-
Shen D., Wu G., Suk H.I. Deep learning in medical image analysis // Annual Review of Biomedical Engineering. — 2017. — Vol. 19. — P. 221–248.
-
Nieminen T. et al. Median filtering in medical image processing // Journal of Medical Imaging. — 2010. — Vol. 7. — P. 45–52.
-
Press W.H. et al. Numerical Recipes: The Art of Scientific Computing. — Cambridge: Cambridge University Press, 2007.
-
Zhang B., Allebach J.P. Adaptive bilateral filter for sharpness enhancement and noise removal // IEEE Transactions on Image Processing. — 2008. — Vol. 17, No. 5. — P. 664–678.
-
Portilla J. et al. Image denoising using scale mixtures of Gaussians in the wavelet domain // IEEE Transactions on Image Processing. — 2003. — Vol. 12, No. 11. — P. 1338–1351.
-
Zhu J.Y. et al. Unpaired image-to-image translation using cycle-consistent adversarial networks // Proceedings of the IEEE ICCV. — 2017. — P. 2223–2232.
-
Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1990. — Vol. 12, No. 7. — P. 629–639.
-
Kingsbury N. Complex wavelets for shift invariant analysis and filtering of signals // Applied and Computational Harmonic Analysis. — 2001. — Vol. 10, No. 3. — P. 234–253.
-
Rasmussen C.E., Williams C.K.I. Gaussian Processes for Machine Learning. — Cambridge: MIT Press, 2006.
-
Saunders C., Gammerman A., Vovk V. Ridge regression learning algorithm in dual variables // Proceedings of the 15th ICML. — 1998. — P. 515–521.
-
Jain A.K. Fundamentals of Digital Image Processing. — Upper Saddle River: Prentice-Hall, 1989.
-
Yu Y., Acton S.T. Speckle reducing anisotropic diffusion // IEEE Transactions on Image Processing. — 2002. — Vol. 11, No. 11. — P. 1260–1270.
-
Weickert J. Anisotropic Diffusion in Image Processing. — Stuttgart: Teubner, 1998.
-
Courant R., Friedrichs K., Lewy H. Über die partiellen Differenzengleichungen der mathematischen Physik // Mathematische Annalen. — 1928. — Vol. 100, No. 1. — P. 32–74.
-
Mohan J., Krishnaveni V., Guo Y. A survey on the magnetic resonance image denoising methods // Biomedical Signal Processing and Control. — 2014. — Vol. 9. — P. 56–69.
Об авторах
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Как цитировать
