Studio comparativo della trasformata wavelet e del filtraggio nel dominio di Fourier per la denoising delle immagini mediche

Perché le scansioni più nitide sono importanti

Le moderne immagini mediche come TC e RM contengono dettagli che possono fare la differenza tra vita e morte: piccole lesioni, texture deboli e sottili confini tissutali. Purtroppo, ogni scansione è anche contaminata da “neve” casuale e puntini—rumore che può nascondere indizi importanti e costringere i medici a usare dosi di radiazione più elevate o tempi di acquisizione più lunghi. Questo articolo pone una domanda apparentemente semplice ma di grande impatto clinico: tra due popolari strumenti matematici di pulizia, quale produce immagini effettivamente più nitide e affidabili quando il rumore si presenta in modi diversi?

Due modi di guardare un’immagine

Gli autori si concentrano su due strategie classiche che riformulano l’immagine prima di ripulirla. La prima usa le wavelet, che scompongono l’immagine in una struttura di fondo grossolana più livelli successivi di dettaglio sempre più fini. In questa rappresentazione, la maggior parte del rumore casuale si traduce in molti coefficienti piccolissimi, mentre i veri bordi e le texture appaiono come un numero più ridotto di coefficienti più grandi. La denoising consiste quindi nello ridurre o scartare i coefficienti piccoli secondo varie regole di soglia e nel ricostruire l’immagine. La seconda strategia utilizza una parente della trasformata di Fourier chiamata trasformata discreta del coseno, applicata non all’intera immagine ma a molti piccoli blocchi quadrati sovrapposti. All’interno di ciascun blocco la trasformata separa la struttura liscia (basse frequenze) dalle variazioni fini (alte frequenze), permettendo all’algoritmo di sopprimere le componenti ad alta frequenza che trasportano principalmente il rumore.

Mettere alla prova i metodi più diffusi in modo equo

Per confrontare questi approcci in modo equo, i ricercatori hanno costruito un ampio banco di prova attorno a un’immagine TC 512 × 512. Hanno aggiunto quattro tipi di rumore sintetico che imitano problemi medici reali: rumore gaussiano e uniforme (fluttuazioni granulose), rumore di Poisson (tipico dell’imaging a basso dosaggio dove si raccolgono pochi fotoni) e rumore “salt-and-pepper” (macchie chiare e scure che simulano errori impulsivi). Per le wavelet hanno testato otto famiglie diverse—dalla più semplice wavelet Haar a spline biortogonali più sofisticate—abbinate a dodici modalità di riduzione dei coefficienti e quattro criteri per scegliere l’intensità della riduzione. Per il metodo basato sul coseno hanno processato blocchi sovrapposti di 16 × 16, trasformato ciascun blocco, azzerato le componenti ad alta frequenza piccole e quindi mediato i blocchi sovrapposti per ricostruire l’immagine completa.

Chi pulisce meglio, e di quanto?

Le prestazioni sono state valutate con punteggi standard di qualità dell’immagine che confrontano l’immagine ripulita con l’originale priva di rumore. Nel campo delle wavelet, le spline biortogonali e le wavelet di Daubechies si sono distinte, specialmente se abbinate a regole di soglia adattative come SURE e Smooth Garrote che si adattano ai dati osservati. Queste combinazioni hanno costantemente superato wavelet più semplici come Haar e più esotiche come Meyer e Shannon. Tuttavia, i migliori setup wavelet sono stati superati dal metodo coseno basato su blocchi in tutti gli scenari di rumore testati. Per il rumore gaussiano, ad esempio, la migliore configurazione wavelet ha raggiunto un rapporto segnale‑rumore (PSNR) di circa 31 dB, mentre il metodo coseno a blocchi è salito a circa 36 dB. Margini simili di 4–6 dB sono apparsi per rumore uniforme, di Poisson e salt‑and‑pepper, traducendosi in immagini visibilmente più nitide e con meno artefatti residui.

Perché vincono i pezzi più piccoli

La sorpresa non è che le trasformate del coseno funzionino—sono la spina dorsale della compressione delle immagini—ma che un filtro a blocchi relativamente semplice possa superare wavelet accuratamente sintonizzate, spesso elogiati per la loro visione multiscala dell’immagine. Gli autori sostengono che la chiave non sia tanto la trasformata matematica in sé quanto il modo in cui viene usata. La loro tecnica wavelet applica una regola decisionale globale all’intera immagine, perciò strutture deboli ma genuine possono essere scambiate per rumore e cancellate. Al contrario, il metodo coseno a blocchi si adatta ai quartieri locali: ogni patch sovrapposta viene analizzata, ripulita e poi amalgamata morbida con le vicine. Questa visione locale aiuta a preservare dettagli anatomici fini riducendo comunque il granulosità, e la sovrapposizione evita gli artefatti a blocchi che solitamente affliggono i metodi a blocchi.

Cosa significa per le scansioni future

Per clinici e ingegneri dell’imaging, la conclusione centrale è che il disegno del metodo—soprattutto l’elaborazione locale rispetto a quella globale—può contare più della semplice scelta tra “wavelet” e “Fourier”. In questo studio controllato, un filtro localizzato a base di coseno ha fornito immagini TC più pulite rispetto a un’ampia gamma di ricette wavelet, attraverso molteplici tipi di rumore realistici, con solo un modesto aumento del tempo di calcolo. Ciò suggerisce che ospedali e produttori di dispositivi in cerca di denoiser pratici, non basati su deep learning, potrebbero favorire metodi di frequenza a blocchi o ibridi che ne incorporano la località. In ultima analisi, il guadagno di tali scelte algoritmiche è facile da capire: immagini più nitide a dosi più basse o tempi di scansione più brevi, e maggiori probabilità che segnali sottili di malattia non vengano persi nel rumore.

Citazione: 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

Parole chiave: denoising immagini mediche, tomografia computerizzata (CT), trasformata wavelet, trasformata discreta del coseno, riduzione del rumore nelle immagini