Сравнение алгоритмов для шумоподавления изображений оптической когерентной томографии меланомы кожи

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.

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