Preview

Известия высших учебных заведений России. Радиоэлектроника

Расширенный поиск

Сравнение алгоритмов для шумоподавления изображений оптической когерентной томографии меланомы кожи

https://doi.org/10.32603/1993-8985-2020-23-4-66-76

Полный текст:

Аннотация

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

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

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.

Об авторе

О. О. Мякинин
Самарский национальный исследовательский университет имени академика С.П. Королева
Россия
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


Список литературы

1. Drexler 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.2007.07.005

2. Wang 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.22.12.121711

3. Optical 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.23.2.020902

4. A 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.1982.4767223

5. Verhoeven 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.1993.1012

6. Rogowska 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: 10.1109/42.897820

7. Salinas 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.2006.887375

8. Puvanathasan 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.17.000733

9. Noise 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/S1793545813500090

10. Мякинин О. О. Системы анализа биомедицинских данных для диагностики злокачественных новообразований кожи // Изв. вузов России. Радиоэлектроника. 2020. Vol. 23, № 3. P. 80–92. doi: 10.32603/1993-8985-2020-23-3-80-92

11. 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)

12. Medfilt 2. 2-D median filtering. Math Works. URL: https://www.mathworks.com/help/images/ref/med-filt2.html (дата обращения 18.06.2020)

13. 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)

14. 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.2012.6345883

15. Tizhoosh H. R. Image Thresholdingusing Type II Fuzzy Sets // Pattern recognition. 2005. Vol. 38, № 12. P. 2363–2372. doi: 10.1016/j.patcog.2005.02.014

16. Speckle 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.24.001901

17. Image 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.2003.819861

18. Research 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.2019.8785813

19. Evaluation 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.2017.14

20. Nanoparticle-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.23.9.091406

21. Comparative 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.387807

22. Simulation 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.18.021714

23. Monte 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: 10.1088/1742-6596/673/1/012014


Для цитирования:


Мякинин О.О. Сравнение алгоритмов для шумоподавления изображений оптической когерентной томографии меланомы кожи. Известия высших учебных заведений России. Радиоэлектроника. 2020;23(4):66-76. https://doi.org/10.32603/1993-8985-2020-23-4-66-76

For citation:


Myakinin O.O. Comparison of Noise Reduction Algorithms for Optical Coherence Tomography Images of Skin Melanoma. Journal of the Russian Universities. Radioelectronics. 2020;23(4):66-76. (In Russ.) https://doi.org/10.32603/1993-8985-2020-23-4-66-76

Просмотров: 21


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1993-8985 (Print)
ISSN 2658-4794 (Online)