Estudo comparativo da transformada wavelet e do filtro no domínio de Fourier para remoção de ruído em imagens médicas

Por que exames mais limpos importam

Exames médicos modernos, como TC e RM, contêm detalhes que podem ser decisivos: pequenas lesões, texturas tênues e limites sutis entre tecidos. Infelizmente, todo exame também é contaminado por um “neveado” aleatório e salpicados — ruído que pode ocultar pistas importantes e forçar médicos a usar doses de radiação maiores ou tempos de varredura mais longos. Este artigo faz uma pergunta aparentemente simples, mas de grande consequência clínica: entre duas ferramentas matemáticas populares de limpeza, qual realmente produz imagens mais claras e confiáveis quando o ruído aparece de formas diferentes?

Duas maneiras de olhar uma imagem

Os autores concentram-se em duas estratégias clássicas que reexpressam a imagem antes de limpá‑la. A primeira usa wavelets, que decompõem a imagem em uma estrutura de fundo grosseira mais níveis sucessivamente mais finos de detalhe. Nessa representação, a maior parte do ruído aleatório vira muitos coeficientes diminutos, enquanto bordas e texturas reais aparecem como um número menor de coeficientes maiores. Denoising então significa encolher ou descartar os coeficientes pequenos segundo várias regras de limiarização e reconstruir a imagem. A segunda estratégia usa um parente da transformada de Fourier chamado transformada discreta do cosseno, aplicada não à imagem inteira de uma vez, mas a muitos blocos quadrados pequenos e sobrepostos. Dentro de cada bloco, a transformada separa a estrutura suave (baixas frequências) das variações finas (altas frequências), permitindo que o algoritmo suprima os componentes de alta frequência que carregam principalmente o ruído.

Submetendo métodos populares a um teste justo

Para comparar essas abordagens de forma justa, os pesquisadores construíram um grande conjunto de testes em torno de uma imagem de TC de 512 × 512. Eles adicionaram quatro tipos de ruído sintético que imitam problemas médicos reais: ruído gaussiano e uniforme (flutuações granuladas), ruído de Poisson (típico de imagens de raios X de baixa dose, onde poucos fótons são coletados) e ruído do tipo "sal e pimenta" (manchinhas claras e escuras que simulam erros de impulso). Para wavelets, eles testaram oito famílias diferentes — variando da mais simples, Haar, até splines biortogonais mais sofisticadas — combinadas com doze maneiras de encolher coeficientes e quatro formas de escolher a intensidade do encolhimento. Para o método baseado no cosseno, processaram blocos sobrepostos de 16 × 16, transformaram cada bloco, zeraram pequenos componentes de alta frequência e então fizeram a média dos blocos sobrepostos para reconstruir a imagem completa.

Quem limpa melhor, e quanto?

O desempenho foi avaliado com pontuações padrão de qualidade de imagem que comparam a imagem limpa com a original sem ruído. No grupo das wavelets, as wavelets de spline biortogonais e as de Daubechies se destacaram, especialmente quando emparelhadas com regras de limiar adaptativas como SURE e Smooth Garrote, que se ajustam aos dados observados. Essas combinações superaram de maneira consistente wavelets mais simples como Haar e outras mais exóticas como Meyer e Shannon. Ainda assim, as melhores configurações wavelet foram superadas pelo método baseado em cosseno por blocos em todos os cenários de ruído testados. Para ruído gaussiano, por exemplo, a melhor configuração wavelet alcançou uma relação sinal‑ruído (PSNR) de cerca de 31 dB, enquanto o método por blocos baseado no cosseno subiu para aproximadamente 36 dB. Margens semelhantes de 4–6 dB apareceram para ruídos uniforme, Poisson e sal e pimenta, o que se traduz em imagens visivelmente mais nítidas e menos artefatos residuais.

Por que pedaços menores vencem

O surpreendente não é que transformadas do cosseno funcionem — elas são a espinha dorsal da compressão de imagens —, mas que um filtro baseado em cosseno relativamente simples por blocos possa superar wavelets cuidadosamente ajustadas, frequentemente elogiadas por sua visão multiescala das imagens. Os autores argumentam que a chave não é a transformada matemática em si, mas como ela é usada. A técnica wavelet deles aplica uma regra de decisão global à imagem inteira, de modo que estruturas fracas, porém reais, podem ser confundidas com ruído e apagadas. Em contraste, o método por blocos do cosseno se adapta a vizinhanças locais: cada pedaço sobreposto é analisado, limpo e então suavemente mesclado com os vizinhos. Essa visão local ajuda a preservar detalhes anatômicos finos enquanto reduz o ruído, e a sobreposição evita os artefatos em blocos que costumam afetar métodos baseados em blocos.

O que isso significa para exames futuros

Para clínicos e engenheiros de imagem, a conclusão central é que o projeto do método — especialmente processamento local versus global — pode importar mais do que a escolha entre "wavelet" e "Fourier". Neste estudo controlado, um filtro localizado baseado em cosseno forneceu imagens de TC mais limpas do que uma ampla gama de receitas wavelet, através de múltiplos tipos realistas de ruído, com apenas um aumento modesto no tempo de computação. Isso sugere que hospitais e fabricantes de equipamentos que buscam denoising prático, sem aprendizado profundo, podem preferir métodos de frequência por blocos ou híbridos que incorporem essa localidade. Em última instância, o benefício dessas escolhas algorítmicas é simples de entender: imagens mais claras com menor dose ou tempos de exame mais curtos, e maiores chances de que sinais sutis de doença não se percam no ruído.

Citação: 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

Palavras-chave: redução de ruído em imagens médicas, imagem por TC, transformada wavelet, transformada discreta do cosseno, redução de ruído de imagem