radioelectronicsИзвестия высших учебных заведений России. РадиоэлектроникаJournal of the Russian Universities. Radioelectronics1993-89852658-4794Saint Petersburg Electrotechnical University10.32603/1993-8985-2020-23-4-66-76radioelectronics-455Research ArticleПРИБОРЫ МЕДИЦИНСКОГО НАЗНАЧЕНИЯ, КОНТРОЛЯ СРЕДЫ, ВЕЩЕСТВ, МАТЕРИАЛОВ И ИЗДЕЛИЙMEDICAL DEVICES, ENVIRONMENT, SUBSTANCES, MATERIAL AND PRODUCTСравнение алгоритмов для шумоподавления изображений оптической когерентной томографии меланомы кожиComparison of Noise Reduction Algorithms for Optical Coherence Tomography Images of Skin Melanomahttps://orcid.org/0000-0003-0859-1282МякининО. О.MyakininO. O.

Мякинин Олег Олегович – магистр по направлению "Прикладные математика и информатика" (2011), старший преподаватель кафедры лазерных и биотехнических систем, научный сотрудник лаборатории "Фотоника" Самарского государственного аэрокосмического университета имени академика С.П. Королева, Московское шоссе, д. 34, Самара, 443086, Россия

Oleg O. Myakinin, Master’s degree on Applied Mathematics and Computer Science (2011), Senior Lecturer of the Department Lasers and Biotechnical Systems, Researcher of the "Photonics" Laboratory, 34 Moskovskoe Ave., Samara 443086, Russia

myakole@gmail.comСамарский национальный исследовательский университет имени академика С.П. КоролеваРоссияSamara National Research UniversityRussian Federation2020071020202346676Copyright © Мякинин О.О., 20202020Мякинин О.О.Myakinin O.O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://re.eltech.ru/jour/article/view/455Введение

Введение. Оптическая когерентная томография (ОКТ) – неинвазивный инструмент для исследования оптически неоднородных сред с микронной точностью, включая онкологию кожи. Однако ОКТ-изображения тканей сильно зашумлены, что усложняет как экспертную, так и автоматическую оценку изображений. В литературе почти отсутствуют систематические сравнения алгоритмов шумоподавления.

Цель работы

Цель работы. Получить результаты сравнительного тестирования на наборе ОКТ-изображений меланомы кожи с помощью различных алгоритмов шумоподавления.

Материалы и методы

Материалы и методы. Описан ряд алгоритмов шумоподавления, в которые входят как 2 относительно простых классических алгоритма – винеровский и медианный, так и более сложные: комплексный диффузионный фильтр (Complex Diffusion Filter – CDF), нечеткий анизотропный диффузионный интервальный фильтр второго типа (Interval Type Two Fuzzy Anisotropic Diffusion Filter – ITTFADF) и фильтр на основе эмпирической модовой декомпозиции (Empirical Mode Decomposition – EMD), предложенный ранее автором для визуализации сеточных имплантов. Определены количественные метрики: отношение сигнал/шум (Signal-to-Noise Ratio – SNR), эффективное число наблюдений (Effective Numberof Looks – ENL), индекс структурного сходства и коэффициент корреляции χ, отражающие 2 основных выбранных принципа улучшения качества изображения: уменьшение шума и сохранность границ слоев ткани и неоднородностей.

Результаты

Результаты. Получены результаты сравнительного тестирования на наборе изображений, состоявшем из 10 меланом, к которым были применены различные алгоритмы шумоподавления.

Заключение

Заключение. Исследование не выявило лучший алгоритм по всем четырем метрикам. По метрике SNR лучше всего работают EMD-фильтр и CDF в зависимости от типа области. EMD-фильтр при этом либо лучший по всем признакам, либо уступает на неоднородных областях по SNR и занял второе место по ENL. Приняв за верную гипотезу о большей значимости сохранности границ перед интегральной оценкой шума, можно сделать однозначный вывод о необходимости использования именно EMD-фильтра. В качестве альтернативы EMD-фильтру можно рекомендовать использовать винеровский фильтр (выигрывающий на индексах сохранности границ) или ITTFADF, который занял третье место по всем используемым метрикам.

Introduction

Introduction. Optical coherence tomography (ОКТ) is a non-invasive instrument for studying optically heterogeneous media with micron precision, including skin cancer. However, ОКТ tissue images are very noisy. It complicates both expert and automated image evaluations. There are almost no systematic comparisons of noise reduction algorithms in the literature.

Objective

Objective. To obtain comparative test results on a set of ОКТ images of skin melanoma using various noise reduction algorithms.

Materials and methods

Materials and methods. A number of noise reduction algorithms were described, which include two relatively simple classical algorithms: Wiener and median, and more complex ones: a Complex Diffusion Filter (CDF), an Interval type-II Fuzzy Anisotropic Diffusion Filter (ITTFADF) and an Empirical Mode Decomposition (EMD) filter, previously proposed by the author for visualizing of mesh implants. Quantitative metrics were determined: a Signal-to-Noise Ratio (SNR) metrics, an Effective Number of Looks (ENL) metrics, Structural Similarity Index Metrics (SSIM) and a correlation coefficient χ, reflecting two main principles of improving image quality: to reduce noise and to save the borders of tissue layers and heterogeneities.

Results

Results. The results of a comparative testing on a set of images, consisting of 10 melanomas (to which various noise reduction algorithms were applied) were obtained.

Conclusion

Conclusion. The study did not reveal the best algorithm for all four metrics. According to the SNR metric, the EMD and the CDF filters perform the best depending on the type of area. At the same time, the EMD filter is either the best in all respects, or is inferior in SNR in heterogeneous areas and takes the second place in ENL. Taking as the correct hypothesis that the border preservation is more important before an integral noise estimate, it is possible to make an unambiguous conclusion about the need to use the EMD filter. As an alternative to the EMD filter, Wiener filter (which wins on the border preservation metrics) should be used or the ITTFADF, which ranked third in all used metrics.

оптическая когерентная томографиядиффузионный фильтрмедианный фильтрвинеровский фильтрнечеткая логикаэмпирическая модовая декомпозицияoptical coherence tomographydiffusion filtermedian filterWiener filterfuzzy logicempirical mode decompositionИнициативная работа.Initiative work.ReferencesDrexler W., Fujimoto J.G. State-of-the-art Retinal Optical Coherence Tomography // Progress in Retinal and Eye Research. 2008. Vol. 27, № 1. P. 45–88. doi: 10.1016/j.preteyeres.2007.07.005Drexler W., Fujimoto J. G. State-of-the-art Retinal Optical Coherence Tomography. Progress in Retinal and Eye Research. 2008, vol. 27, no. 1, pp. 45-88. doi: 10.1016/j.preteyeres.2007.07.005Wang J., Xu Y., Boppart S. A. Review of Optical Coherence Tomography in Oncology // J. of biomedical optics. 2017. Vol. 22, № 12. Art. 121711. doi: 10.1117/1.JBO.22.12.121711Wang J., Xu Y., Boppart S. A. Review of Optical Coherence Tomography in Oncology. J. of biomedical optics. 2017, vol. 22, no. 12, pp. 121711. doi: 10.1117/1.JBO.22.12.121711Optical Coherence Tomography for the Diagnosis of Malignant Skin Tumors: a Meta-analysis / Y.-Q. Xiong, Y. Mo, Y.-Q. Wen, M.-J.Cheng, S.-T.Huo, X.-J. Chen, Q. Chen // J. of biomedical optics. 2018. Vol. 23, № 2. Art. 020902. doi: 10.1117/1.JBO.23.2.020902Xiong Y.-Q., Mo Y., Wen Y.-Q., Cheng M.-J., Huo S.-T., Chen X.-J., Chen Q. Optical coherence tomography for the diagnosis of malignant skin tumors: a meta-analysis. Journal of biomedical optics, 2018, vol. 23, no. 2, pp. 020902. doi: 10.1117/1.JBO.23.2.020902A Model for Radar Images and its Application to Adaptive Digital Filtering of Multiplicative Noise / V. Frost, J. Stiles, K. Shanmugan, J. Holtzman // IEEE Trans. on Pattern Analysis and Machine Intelligence. 1982. Vol. PAMI-4, iss. 2. P. 157–166. doi: 10.1109/TPAMI.1982.4767223Frost V., Stiles J., Shanmugan K., Holtzman J. A model for radar images and its application to adaptive digital filtering of multiplicative noise. IEEE Transactions on pattern analysis and machine intelligence. 1982, vol. 2, pp. 157-166. doi: 10.1109/TPAMI.1982.4767223Verhoeven J. T. M., Thijssen J. M. Improvement of Lesion Detectability by Speckle Reduction Filtering: A Quantitative Study // Ultrasonic Imaging. 1993. Vol. 15, № 3. P. 181–204. doi: 10.1006/uimg.1993.1012Verhoeven J. T. M., Thijssen J. M. Improvement of lesion detectability by speckle reduction filtering: A quantitative study. Ultrasonic Imaging. 1993, vol. 15, no. 3, pp. 181-204. doi: 10.1006/uimg.1993.1012Rogowska J., Brezinski M. E. Evaluation of the Adaptive Speckle Suppression Filter for Coronary Optical Coherence Tomography Imaging // IEEE Trans.on Medical Imaging. 2000. Vol. MI-19, iss. 12. P. 1261–1266. doi: 10.1109/42.897820Rogowska J., Brezinski M. E. Evaluation of the adaptive speckle suppression filter for coronary optical coherence tomography imaging. IEEE transactions on medical imaging. 2000, vol. 19, no. 12, pp. 1261-1266. doi: 10.1109/42.897820Salinas H. M., Fernández D. C. Comparison of PDE-based Nonlinear Diffusion Approaches for Image Enhancement and Denoisingin optical coherence Tomography // IEEE Trans. on Medical Imaging. 2007. Vol. MI-26, № 6. P. 761–771. doi: 10.1109/TMI.2006.887375Salinas H. M., Fernández D. C. Comparison of PDE-based nonlinear diffusion approaches for image enhancement and denoising in optical coherence tomography. IEEE Transactions on Medical Imaging. 2007, vol. 26, no. 6, pp. 761-771. doi: 10.1109/TMI.2006.887375Puvanathasan P., Bizheva K. Interval Type-II Fuzzy Anisotropic Diffusion Algorithm for Speckle Noise Reduction in Optical Coherence Tomography Images // Optics express. 2009. Vol. 17, iss. 2. P. 733–746. doi: 10.1364/OE.17.000733Puvanathasan P., Bizheva K. Interval type-II fuzzy anisotropic diffusion algorithm for speckle noise reduction in optical coherence tomography images. Optics express. 2009, vol. 17, no. 2, pp. 733-746. doi: 10.1364/OE.17.000733Noise Reduction Method for ОКТ Images based on Empirical Mode Decomposition / O. O. Myakinin, D. V. Kornilin, I. A. Bratchenko, V. P. Zakharov, A. G. Khramov // J. of Innovative Optical Health Sciences. 2013. Vol. 6, № 2. Art. 1350009. doi: 10.1142/S1793545813500090Myakinin O. O., Kornilin D. V., Bratchenko I. A., Zakharov V. P., Khramov A. G. Noise reduction method for ОКТ images based on Empirical Mode Decomposition. Journal of Innovative Optical Health Sciences. 2013, vol. 6, no. 02, pp. 1350009. doi: 10.1142/S1793545813500090Мякинин О. О. Системы анализа биомедицинских данных для диагностики злокачественных новообразований кожи // Изв. вузов России. Радиоэлектроника. 2020. Vol. 23, № 3. P. 80–92. doi: 10.32603/1993-8985-2020-23-3-80-92Myakinin O. O. Biomedical data analysis systems for the diagnosis of skin malignancies. Izv. vuzov Rossii. Radioelektronika [Proceedings of Russian universities. Radio electronics]. 2020, vol. 23, no. 3, pp. 80–92. doi: 10.32603/1993-8985-2020-23-3-80-92 (In Russ.)Baranov S. A. ОКТlab. C++ and Lab View solution for Optical Coherence Tomography. URL: https://code.google.com/archive/p/ОКТlab/ (дата обращения 18.06.2020)Baranov S. A. ОКТlab. C++ and LabView solution for Optical Coherence Tomography. Available at: https://code.google.com/archive/p/ОКТlab/ (accessed 18.06.2020)Medfilt 2. 2-D median filtering. Math Works. URL: https://www.mathworks.com/help/images/ref/med-filt2.html (дата обращения 18.06.2020)Medfilt 2. 2-D median filtering. Math Works. URL: https://www.mathworks.com/help/images/ref/medfilt2.html (accessed 18.06.2020)Wiener 2. 2-D Adaptive Noise-Removal Filtering. Math Works. URL: https://www.mathworks.com/help/im-ages/ref/wiener2.html (дата обращения 18.06.2020)Wiener 2. 2-D Adaptive Noise-Removal Filtering. Math Works. URL: https://www.mathworks.com/help/images/ref/wiener2.html (accessed 18.06.2020)Rodrigues P., Serranho P., Bernardes R. 3D Nonlinear Complex-Diffusion Filter on GPU // 2012 Annual Intern. Conf. of the IEEE Engineering in Medicine and Biology Society.28 Aug.–1 Sept. 2012, San Diego, USA. P. 110–113. doi: 10.1109/EMBC.2012.6345883Rodrigues P., Serranho P., Bernardes R. 3D nonlinear complex-diffusion filter on GPU. 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2012, pp. 110-113. doi: 10.1109/EMBC.2012.6345883Tizhoosh H. R. Image Thresholdingusing Type II Fuzzy Sets // Pattern recognition. 2005. Vol. 38, № 12. P. 2363–2372. doi: 10.1016/j.patcog.2005.02.014Tizhoosh H. R. Image thresholding using type II fuzzy sets. Pattern recognition. 2005, vol. 38, no. 12. pp. 2363-2372. doi: 10.1016/j.patcog.2005.02.014Speckle Reduction in Optical Coherence Tomography Images using Digital Filtering / A. Ozcan, A. Bilenca, A. E. Desjardins, B. E. Bouma, G. J. Tearney // J. of the Optical Society of America A. 2007. Vol. 24, iss. 7. P. 1901–1910. doi: 10.1364/josaa.24.001901Ozcan A., Bilenca A., Desjardins A. E., Bouma B. E., Tearney G. J. Speckle reduction in optical coherence tomography images using digital filtering. Journal of the Optical Society of America A. 2007, vol. 24, no. 7, pp. 1901-1910. doi:10.1364/josaa.24.001901Image Quality Assessment: from Error Visibility to Structural Similarity / Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli // IEEE Trans. on Image Processing. 2004. Vol. 13, iss. 4. P. 600–612. doi: 10.1109/TIP.2003.819861Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing. 2004, vol. 13, no. 4, pp. 600-612. doi: 10.1109/TIP.2003.819861Research and Comparison of ОКТ Image Speckle Denoising Algorithm / D. Song, Y. Liu, X. Lin, J. Liu, J. Tan // 2019 IEEE 8th Joint Intern. Information Technology and Artificial Intelligence Conf. (ITAIC), Chongqing, China, 24–26 May 2019. P. 1554–1558. doi: 10.1109/ITAIC.2019.8785813Song D., Liu Y., Lin X., Liu J., Tan J. Research and Comparison of ОКТ Image Speckle Denoising Algorithm. 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), 2019, pp. 1554-1558. doi: 10.1109/ITAIC.2019.8785813Evaluation of Choroidal Tumors with Optical Coherence Tomography: Enhanced Depth Imaging and ОКТ-angiography Features / G. Cennamo, M. Romano, M. Breve, N. Velotti, M. Reibaldi, G. de Crecchio, G. Cennamo // Eye. 2017. Vol. 31. P. 906–915. doi: 10.1038/eye.2017.14Cennamo G., Romano M., Breve M., Velotti N., Reibaldi M., de Crecchio G., Cennamo G. Evaluation of choroidal tumors with optical coherence tomography: enhanced depth imaging and ОКТ-angiography features. Eye. 2017, vol. 31, pp. 906–915. doi: 10.1038/eye.2017.14Nanoparticle-enabled Experimentally Trained Wavelet-domain Denoising Method for Optical Coherence Tomography / I. N. Dolganova, N. V. Chernomyrdin, P. V. Aleksandrova, S.-I. T. Beshplav, A. A. Potapov, I. V. Reshetov, V. N. Kurlov, V. V. Tuchin, K. I. Zaytsev // J. of biomedical optics. 2018. Vol. 23, № 9. Art. 091406. doi: 10.1117/1.JBO.23.9.091406Dolganova I. N., Chernomyrdin N. V., Aleksandrova P. V., Beshplav S.-I. T., Potapov A. A., Reshetov I. V., Kurlov V. N., Tuchin V. V., Zaytsev K. I. Nanoparticle-enabled experimentally trained wavelet-domain denoising method for optical coherence tomography. Journal of biomedical optics. 2018, vol. 23, no. 9, art. 091406. doi: 10.1117/1.JBO.23.9.091406Comparative study of deep learning models for optical coherence tomography angiography / Z. Jiang, Z. Huang, B. Qiu, X. Meng, Y. You, X. Liu, G. Liu, C. Zhou, K. Yang, A. Maier, Q. Ren, Y. Lu // Biomed Opt Express. 2020. Vol. 11, № 3. P. 1580–1597. doi: 10.1364/BOE.387807Z. Jiang, Z. Huang, B. Qiu, X. Meng, Y. You, X. Liu, G. Liu, C. Zhou, K. Yang, A. Maier, Q. Ren, Y. Lu Comparative study of deep learning models for optical coherence tomography angiography. Biomed Opt Express. 2020, vol. 11, no. 3, pp. 1580–1597. doi: 10.1364/BOE.387807Simulation of Optical Coherence Tomography Images by Monte Carlo Modeling based on Polarization Vector Approach / M. Kirillin, I. Meglinski, E. Sergeeva, V. L. Kuzmin, R. Myllyla // Optics Express. 2010. Vol. 18, iss. 21. P. 21714–21724. doi: 10.1364/OE.18.021714Kirillin M., Meglinski I., Sergeeva E., Kuzmin V.L., Myllyla R. Simulation of optical coherence tomography images by Monte Carlo modeling based on polarization vector approach. Optics Express. 2010, vol. 18, no. 21, pp. 21714-21724. doi: 10.1364/OE.18.021714Monte Carlo Simulation of Optical Coherence Tomography Signal of the Skin Nevus / I. N. Dolganova, A. S. Neganova, K. G. Kudrin, K. I. Zaytsev, I. V. Reshetov // J. of Physics: Conf. Ser. 2016. Vol. 673. Art. 012014. doi: 10.1088/1742-6596/673/1/012014Dolganova I. N., Neganova A. S., Kudrin K. G., Zaytsev K. I., Reshetov I. V. Monte Carlo simulation of optical coherence tomography signal of the skin nevus. Journal of Physics: Conference Series. 2016, vol. 673, pp. 012014. doi: 10.1088/1742-6596/673/1/012014

The authors declare that there are no conflicts of interest present.