Vergleichende Studie der Wavelet-Transformation und der Filterung im Fourierraum zur Rauschminderung medizinischer Bilder

Warum sauberere Scans wichtig sind

Moderne medizinische Scans wie CT und MRT enthalten lebenswichtige Details: winzige Läsionen, feine Texturen und subtile Gewebegrenzen. Leider sind alle Scans auch durch zufälliges "Rauschen" und Sprenkel beeinträchtigt – Störungen, die wichtige Hinweise verdecken und Ärzte dazu zwingen können, höhere Strahlendosen oder längere Untersuchungszeiten zu verwenden. Diese Arbeit stellt eine auf den ersten Blick einfache, aber klinisch bedeutsame Frage: Welches von zwei verbreiteten mathematischen Reinigungswerkzeugen liefert unter verschiedenen Störbedingungen tatsächlich klarere und verlässlichere Bilder?

Zwei Wege, ein Bild zu betrachten

Die Autoren konzentrieren sich auf zwei klassische Strategien, die ein Bild vor der Reinigung umformen. Die erste nutzt Wavelets, die das Bild in eine grobe Hintergrundstruktur und sukzessive feinere Detailebenen zerlegen. In dieser Darstellung wird das zufällige Rauschen in viele winzige Koeffizienten verteilt, während echte Kanten und Texturen als eine kleinere Anzahl größerer Koeffizienten erscheinen. Rauschminderung bedeutet dann, die kleinen Koeffizienten entsprechend verschiedenen Schwellenregeln zu verkleinern oder zu entfernen und das Bild wieder aufzubauen. Die zweite Strategie verwendet einen Verwandten der Fourier-Transformation, die diskrete Kosinustransformation, nicht auf das ganze Bild auf einmal, sondern auf viele kleine, überlappende quadratische Blöcke. Innerhalb jedes Blocks trennt die Transformation glatte Strukturen (niedrige Frequenzen) von feinen Variationen (hohe Frequenzen), sodass der Algorithmus die hauptsächlich vom Rauschen getragenen Hochfrequenzanteile unterdrücken kann.

Beliebte Methoden fair vergleichen

Um die Ansätze fair zu vergleichen, bauten die Forschenden eine umfangreiche Testumgebung um ein 512 × 512 CT-Bild auf. Sie fügten vier Arten synthetischen Rauschens hinzu, die reale medizinische Probleme nachahmen: Gaußsches und gleichmäßiges Rauschen (körnige Schwankungen), Poisson-Rauschen (typisch für Röntgenaufnahmen mit niedriger Dosis, bei denen wenige Photonen detektiert werden) und "Salt-and-Pepper"-Rauschen (helle und dunkle Sprenkel, die Impulsfehler simulieren). Für Wavelets testeten sie acht verschiedene Familien – von der einfachsten Haar-Wavelet bis zu ausgefeilteren biorthogonalen Splines – kombiniert mit zwölf Methoden zum Schrumpfen der Koeffizienten und vier Strategien zur Wahl der Stärke der Schrumpfung. Für die kosinusbasierte Methode verarbeiteten sie überlappende 16 × 16-Blöcke, transformierten jeden Block, setzten kleine Hochfrequenzkomponenten auf null und mittelten dann die überlappenden Blöcke zurück zu einem vollständigen Bild.

Wer reinigt besser, und um wie viel?

Die Leistung wurde mit standardisierten Bildqualitätsmetriken beurteilt, die das gereinigte Bild mit dem originalen, rauschfreien Bild vergleichen. Innerhalb der Wavelet-Gruppe hoben sich biorthogonale Splines und Daubechies-Wavelets hervor, besonders in Kombination mit adaptiven Schwellenregeln wie SURE und Smooth Garrote, die sich an die beobachteten Daten anpassen. Diese Kombinationen übertrafen konsequent einfachere Wavelets wie Haar und exotischere wie Meyer und Shannon. Trotzdem wurden die besten Wavelet-Konfigurationen in jedem getesteten Rauschszenario von der blockbasierten Kosinusmethode übertroffen. Bei Gaußschem Rauschen erreichte die beste Wavelet-Konfiguration beispielsweise ein Peak-Signal-to-Noise-Ratio (PSNR) von etwa 31 dB, während die blockbasierte Kosinusmethode auf ungefähr 36 dB stieg. Ähnliche Margen von 4–6 dB zeigten sich für gleichmäßiges, Poisson- und Salt-and-Pepper-Rauschen, was deutlich schärfere Bilder und weniger verbleibende Artefakte bedeutet.

Warum kleinere Teile gewinnen

Die Überraschung ist nicht, dass Kosinustransformationen funktionieren – sie sind das Rückgrat der Bildkompression – sondern dass ein vergleichsweise einfacher, blockbasierter Kosinusfilter sorgfältig abgestimmte Wavelets übertreffen kann, die oft für ihre multiskalige Sicht auf Bilder gelobt werden. Die Autoren argumentieren, dass der Schlüssel nicht die mathematische Transformation selbst ist, sondern ihre Anwendung. Ihre Wavelet-Technik wendet eine globale Entscheidungsregel auf das gesamte Bild an, sodass schwache, aber echte Strukturen fälschlich für Rauschen gehalten und entfernt werden können. Im Gegensatz dazu passt sich die blockbasierte Kosinusmethode an lokale Nachbarschaften an: Jeder überlappende Ausschnitt wird analysiert, gereinigt und dann sanft mit den Nachbarn verschmolzen. Diese lokale Sicht hilft, feine anatomische Details zu bewahren und gleichzeitig das Korn zu reduzieren, und die Überlappung vermeidet die blockartigen Artefakte, die blockbasierte Methoden sonst oft plagen.

Was das für zukünftige Scans bedeutet

Für Kliniker und Bildgebungstechniker lautet die zentrale Erkenntnis: Die Gestaltung der Methode – insbesondere lokal versus global – kann wichtiger sein als die Entscheidung zwischen "Wavelet" und "Fourier". In dieser kontrollierten Studie lieferte ein lokalisierter, kosinusbasierter Filter sauberere CT-Bilder als eine breite Palette von Wavelet-Rezepten, über mehrere realistische Rauschtypen hinweg, bei nur mäßig erhöhtem Rechenaufwand. Das legt nahe, dass Krankenhäuser und Gerätehersteller, die nach praktischen Rauschunterdrückern ohne Deep Learning suchen, zu blockbasierten Frequenzmethoden oder Hybridansätzen tendieren sollten, die deren Lokalität übernehmen. Letztlich ist der Nutzen solcher algorithmischer Entscheidungen leicht zu verstehen: klarere Bilder bei niedrigerer Dosis oder kürzeren Scanzeiten und bessere Chancen, dass subtile Krankheitszeichen nicht im Rauschen verloren gehen.

Zitation: Saif, M.A., Mughalles, B.M. & Loqman, I.G.H. Comparative study of wavelet transform and Fourier domain filtering for medical image denoising. Sci Rep 16, 10145 (2026). https://doi.org/10.1038/s41598-026-40594-4

Schlüsselwörter: Rauschminderung medizinischer Bilder, CT-Bildgebung, Wavelet-Transformation, diskrete Kosinustransformation, Bildrauschreduzierung