Vergelijkende studie van wavelettransformatie en Fourier‑domeinfiltering voor het denoisen van medische beelden

Waarom schonere scans ertoe doen

Moderne medische scans zoals CT en MRI zitten vol levens‑of‑doodsgegevens: kleine laesies, vage structuren en subtiele weefselgrenzen. Helaas wordt elke scan ook aangetast door willekeurige „sneeuw” en spikkels — ruis die belangrijke aanwijzingen kan verbergen en artsen kan dwingen hogere stralingsdoses of langere scantijden te gebruiken. Dit artikel stelt een bedrieglijk eenvoudige vraag met grote klinische gevolgen: van twee populaire wiskundige opschoningsmethoden, welke levert daadwerkelijk duidelijkere, betrouwbaardere beelden wanneer ruis op verschillende manieren toeslaat?

Twee manieren om naar een afbeelding te kijken

De auteurs richten zich op twee klassieke strategieën die een afbeelding herschikken voordat ze wordt opgeschoond. De eerste gebruikt wavelets, die het beeld opsplitsen in een grove achtergrondstructuur plus opeenvolgend fijnere detail­niveaus. In deze representatie verandert de meeste willekeurige ruis in vele kleine coëfficiënten, terwijl echte randen en texturen verschijnen als een kleinere reeks grotere coëfficiënten. Denoising betekent dan het verkleinen of weggooien van de kleine coëfficiënten volgens verschillende drempelregels en het herbouwen van het beeld. De tweede strategie gebruikt een verwant van de Fouriertransformatie, de discrete cosinustransformatie, toegepast niet op het hele plaatje tegelijk maar op vele kleine, overlappende vierkante blokken. Binnen elk blok scheidt de transformatie gladde structuren (lage frequenties) van fijne variaties (hoge frequenties), waardoor het algoritme de hoge‑frequentiecomponenten kan onderdrukken die voornamelijk ruis dragen.

Populaire methoden eerlijk testen

Om deze benaderingen eerlijk te vergelijken, bouwden de onderzoekers een groot testbed rond een 512 × 512 CT‑beeld. Ze voegden vier soorten synthetische ruis toe die echte medische problemen nabootsen: Gaussiaanse en uniforme ruis (korrelige fluctuaties), Poisson‑ruis (typisch voor lage‑dosis röntgenopnamen waar weinig fotonen worden verzameld) en „zout‑en‑peper” ruis (lichte en donkere vlekjes die impulsfouten simuleren). Voor wavelets probeerden ze acht verschillende families — variërend van de eenvoudigste Haar‑wavelet tot meer verfijnde bior­thogonale splines — gecombineerd met twaalf manieren om coëfficiënten te verkleinen en vier methoden om de sterkte van de verkleining te kiezen. Voor de cosinusgebaseerde methode werden overlappende 16 × 16 blokken verwerkt, transformeerde men elk blok, werden kleine hoge‑frequentiecomponenten op nul gezet en vervolgens werden de overlappende blokken gemiddeld terug gecombineerd tot een volledig beeld.

Wie ruimt beter op, en hoeveel?

De prestaties werden beoordeeld met standaard beeldkwaliteitscores die het gereinigde beeld vergelijken met het oorspronkelijke ruisvrije beeld. Binnen de waveletgroep staken bi­orthogonale spline‑ en Daubechies‑wavelets eruit, vooral wanneer ze gepaard gingen met adaptieve drempelregels zoals SURE en Smooth Garrote die zich afstemmen op de waargenomen data. Deze combinaties versloegen consequent eenvoudigere wavelets zoals Haar en meer exotische zoals Meyer en Shannon. Desalniettemin werden de beste wavelet‑opstellingen in elk getest ruis­spectrum overtroffen door de blok‑gebaseerde cosinusmethode. Voor Gaussiaanse ruis bijvoorbeeld bereikte de beste waveletconfiguratie een piek signaal‑tegen‑ruisverhouding (PSNR) van ongeveer 31 dB, terwijl de blokgebaseerde cosinusmethode circa 36 dB bereikte. Vergelijkbare marges van 4–6 dB verschenen voor uniforme, Poisson‑ en zout‑en‑peper‑ruis, wat resulteert in merkbaar scherpere beelden en minder resterende artefacten.

Waarom kleinere stukjes winnen

De verrassing is niet dat cosinustransformaties werken — ze vormen de ruggengraat van beeldcompressie — maar dat een relatief eenvoudige, blokgebaseerde cosinusfilter beter kan presteren dan zorgvuldig afgestemde wavelets, die vaak geprezen worden om hun multiscale‑blik op afbeeldingen. De auteurs betogen dat de sleutel niet de wiskundige transformatie zelf is maar hoe deze wordt gebruikt. Hun wavelettechniek past één globale beslisregel toe op het volledige beeld, waardoor zwakke maar echte structuren voor ruis kunnen worden aangezien en kunnen verdwijnen. Daarentegen past de blokgebaseerde cosinusmethode zich aan lokale buurten aan: elk overlappend patch wordt geanalyseerd, schoongemaakt en vervolgens zachtjes met de buren vermengd. Deze lokale blik helpt fijne anatomische details te behouden terwijl korrelvorming wordt verminderd, en de overlap voorkomt de blokkerige artefacten die gewoonlijk blokmethoden teisteren.

Wat dit betekent voor toekomstige scans

Voor clinici en beeldvormings­ingenieurs is de belangrijkste conclusie dat het ontwerp van de methode — vooral lokaal versus globaal verwerken — belangrijker kan zijn dan de keuze tussen „wavelet” en „Fourier”. In deze gecontroleerde studie leverde een gelokaliseerde, cosinusgebaseerde filter schonere CT‑beelden dan een breed scala aan wavelet‑recepten, over meerdere realistische ruissoorten, en met slechts een bescheiden toename in rekentijd. Dat suggereert dat ziekenhuizen en apparaatfabrikanten die op zoek zijn naar praktische denoisers zonder diepe‑leeroplossingen wellicht de voorkeur willen geven aan blokgebaseerde frequentiemethoden of hybriden die hun lokaliteit lenen. Uiteindelijk is de winst van zulke algoritmische keuzes eenvoudig te begrijpen: helderder beelden bij lagere dosis of kortere scantijden, en betere kansen dat subtiele ziekteverschijnselen niet in de ruis verloren gaan.

Bronvermelding: 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

Trefwoorden: denoising van medische afbeeldingen, CT‑beeldvorming, wavelettransformatie, discrete cosinustransformatie, reductie van beeldruis