| Summary: | Before launching into ultrasound research, it is important to
recall that the ultimate goal is to provide the clinician with the
best possible information needed to make an accurate diagnosis.
Ultrasound images are inherently affected by speckle noise, which
is due to image formation under coherent waves. Thus, it appears
to be sensible to reduce speckle artifacts before performing image
analysis, provided that image texture that might distinguish one
tissue from another is preserved.
The main goal of this thesis was the development of novel speckle
suppression methods from medical ultrasound images in the
multiscale wavelet domain. We started by showing, through
extensive modeling, that the subband decompositions of ultrasound
images have significantly non-Gaussian statistics that are best
described by families of heavy-tailed distributions such as the
alpha-stable. Then, we developed Bayesian estimators that exploit
these statistics. We used the alpha-stable model to design both
the minimum absolute error (MAE) and the maximum a posteriori (MAP) estimators for alpha-stable signal mixed in
Gaussian noise. The resulting noise-removal processors perform
non-linear operations on the data and we relate this non-linearity
to the degree of non-Gaussianity of the data. We compared our
techniques to classical speckle filters and current
state-of-the-art soft and hard thresholding methods applied on
actual ultrasound medical images and we quantified the achieved
performance improvement.
Finally, we have shown that our proposed processors can find
application in other areas of interest as well, and we have chosen
as an illustrative example the case of synthetic aperture radar
(SAR) images. === Ο απώτερος σκοπός της έρευνας που παρουσιάζεται σε αυτή τη διδακτορική διατριβή είναι η διάθεση στην κοινότητα των κλινικών επιστημόνων μεθόδων οι οποίες να παρέχουν την καλύτερη δυνατή πληροφορία για να γίνει μια σωστή ιατρική διάγνωση. Οι εικόνες υπερήχων προσβάλλονται ενδογενώς από θόρυβο, ο οποίος οφείλεται στην διαδικασία δημιουργίας των εικόνων μέσω ακτινοβολίας που χρησιμοποιεί σύμφωνες κυματομορφές. Είναι σημαντικό πριν τη διαδικασία ανάλυσης της εικόνας να γίνεται απάλειψη του θορύβου με κατάλληλο τρόπο ώστε να διατηρείται η υφή της εικόνας, η οποία βοηθά στην διάκριση ενός ιστού από έναν άλλο.
Κύριος στόχος της διατριβής αυτής υπήρξε η ανάπτυξη νέων μεθόδων καταστολής του θορύβου σε ιατρικές εικόνες υπερήχων στο πεδίο του μετασχηματισμού κυματιδίων. Αρχικά αποδείξαμε μέσω εκτενών πειραμάτων μοντελοποίησης, ότι τα δεδομένα που προκύπτουν από τον διαχωρισμό των εικόνων υπερήχων σε υποπεριοχές συχνοτήτων περιγράφονται επακριβώς από μη-γκαουσιανές κατανομές βαρέων ουρών, όπως είναι οι άλφα-ευσταθείς κατανομές. Κατόπιν, αναπτύξαμε Μπεϋζιανούς εκτιμητές που αξιοποιούν αυτή τη στατιστική περιγραφή. Πιο συγκεκριμένα, χρησιμοποιήσαμε το άλφα-ευσταθές μοντέλο για να σχεδιάσουμε εκτιμητές ελάχιστου απόλυτου λάθος και μέγιστης εκ των υστέρων πιθανότητας για άλφα-ευσταθή σήματα αναμεμειγμένα με μη-γκαουσιανό θόρυβο. Οι επεξεργαστές αφαίρεσης θορύβου που προέκυψαν επενεργούν κατά μη-γραμμικό τρόπο στα δεδομένα και συσχετίζουν με βέλτιστο τρόπο αυτή την μη-γραμμικότητα με τον βαθμό κατά τον οποίο τα δεδομένα είναι μη-γκαουσιανά. Συγκρίναμε τις τεχνικές μας με κλασσικά φίλτρα καθώς και σύγχρονες μεθόδους αυστηρού και μαλακού κατωφλίου εφαρμόζοντάς τες σε πραγματικές ιατρικές εικόνες υπερήχων και ποσοτικοποιήσαμε την απόδοση που επιτεύχθηκε. Τέλος, δείξαμε ότι οι προτεινόμενοι επεξεργαστές μπορούν να βρουν εφαρμογές και σε άλλες περιοχές ενδιαφέροντος και επιλέξαμε ως ενδεικτικό παράδειγμα την περίπτωση εικόνων ραντάρ συνθετικής διατομής.
|
|---|
