Estudio comparativo de la transformada wavelet y el filtrado en el dominio de Fourier para la reducción de ruido en imágenes médicas

Por qué importan los escaneos más limpios

Los escaneos médicos modernos, como la TC y la RM, contienen detalles que pueden ser vitales: lesiones diminutas, texturas tenues y límites tisulares sutiles. Desafortunadamente, cada exploración también está contaminada por un “ruido” aleatorio y motas—interferencias que pueden ocultar pistas importantes y obligar a los médicos a usar dosis de radiación mayores o tiempos de exploración más largos. Este artículo plantea una pregunta aparentemente simple con grandes consecuencias clínicas: entre dos herramientas matemáticas populares para limpiar imágenes, ¿cuál produce imágenes realmente más claras y fiables cuando el ruido aparece de distintas maneras?

Dos formas de mirar una imagen

Los autores se centran en dos estrategias clásicas que reexpresan una imagen antes de limpiarla. La primera utiliza wavelets, que descomponen la imagen en una estructura de fondo burda más niveles sucesivamente más finos de detalle. En esa representación, la mayor parte del ruido aleatorio se convierte en muchos coeficientes diminutos, mientras que los bordes y texturas reales aparecen como un número menor de coeficientes más grandes. La reducción de ruido consiste entonces en encoger o descartar los coeficientes pequeños según diversas reglas de umbral y reconstruir la imagen. La segunda estrategia emplea un pariente de la transformada de Fourier llamado transformada discreta del coseno, aplicada no a la imagen completa, sino a muchos bloques cuadrados pequeños y solapados. Dentro de cada bloque, la transformada separa la estructura suave (bajas frecuencias) de las variaciones finas (altas frecuencias), lo que permite al algoritmo suprimir los componentes de alta frecuencia que llevan principalmente el ruido.

Poniendo a prueba métodos populares de forma justa

Para comparar estos enfoques de manera justa, los investigadores construyeron un banco de pruebas grande alrededor de una imagen de TC de 512 × 512. Añadieron cuatro tipos de ruido sintético que imitan problemas médicos reales: ruido gaussiano y uniforme (fluctuaciones granuladas), ruido de Poisson (típico de imágenes de rayos X con baja dosis donde se recogen pocos fotones) y ruido “sal y pimienta” (motitas claras y oscuras que simulan errores impulsivos). Para wavelets probaron ocho familias diferentes—desde la más simple, Haar, hasta spline biortogonales más sofisticadas—combinadas con doce formas de reducir coeficientes y cuatro maneras de elegir la severidad del umbral. Para el método basado en cosenos, procesaron bloques solapados de 16 × 16, transformaron cada bloque, eliminaron componentes de alta frecuencia pequeños y luego promediaron los bloques solapados para recomponer la imagen completa.

¿Quién limpia mejor y por cuánto?

El rendimiento se evaluó con puntuaciones estándar de calidad de imagen que comparan la imagen limpiada con la original sin ruido. Dentro del campo de las wavelets, las wavelets spline biortogonales y las de Daubechies destacaron, especialmente cuando se emparejaban con reglas de umbral adaptativas como SURE y Smooth Garrote que se ajustan a los datos observados. Estas combinaciones superaron de forma consistente a wavelets más simples como Haar y a otras más exóticas como Meyer y Shannon. Aun así, las mejores configuraciones wavelet fueron superadas por el método basado en cosenos por bloques en todos los escenarios de ruido probados. Para ruido gaussiano, por ejemplo, la mejor configuración wavelet alcanzó una relación señal‑ruido máxima (PSNR) de alrededor de 31 dB, mientras que el método de coseno por bloques subió hasta aproximadamente 36 dB. Márgenes similares de 4–6 dB aparecieron para ruido uniforme, de Poisson y sal y pimienta, lo que se traduce en imágenes perceptiblemente más nítidas y con menos artefactos residuales.

Por qué ganan los pedazos más pequeños

La sorpresa no es que las transformadas de coseno funcionen—son la columna vertebral de la compresión de imágenes—sino que un filtro de coseno relativamente simple, por bloques, pueda superar a wavelets cuidadosamente ajustadas, que a menudo se elogian por su visión multiescala de las imágenes. Los autores sostienen que la clave no es tanto la transformada matemática en sí, sino cómo se usa. Su técnica wavelet aplica una regla de decisión global a toda la imagen, de modo que estructuras tenues pero genuinas pueden confundirse con ruido y eliminarse. En contraste, el método de coseno por bloques se adapta a los vecindarios locales: cada parche solapado se analiza, limpia y luego se mezcla suavemente con sus vecinos. Esta visión local ayuda a preservar detalles anatómicos finos mientras reduce el grano, y el solapamiento evita los artefactos en bloques que suelen afectar a los métodos por bloques.

Qué significa esto para los escaneos futuros

Para clínicos e ingenieros de imagen, la conclusión central es que el diseño del método—especialmente el procesamiento local frente al global—puede importar más que la elección entre “wavelet” y “Fourier”. En este estudio controlado, un filtro localizado basado en cosenos proporcionó imágenes de TC más limpias que una amplia gama de recetas wavelet, a través de múltiples tipos de ruido realistas, con solo un aumento modesto del tiempo de cálculo. Eso sugiere que hospitales y fabricantes de equipos que buscan desruidores prácticos y no basados en aprendizaje profundo podrían inclinarse hacia métodos frecuenciales por bloques o híbridos que adopten esa localidad. En última instancia, la recompensa de tales elecciones algorítmicas es fácil de entender: imágenes más claras con menor dosis o tiempos de exploración más cortos, y mayores probabilidades de que señales sutiles de enfermedad no se pierdan en el ruido.

Cita: 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

Palabras clave: reducción de ruido en imágenes médicas, imágenes por TC, transformada wavelet, transformada discreta del coseno, reducción de ruido de imagen