Сравнительное исследование вейвлет-преобразования и фильтрации в преобразовании Фурье для удаления шума в медицинских изображениях

Почему важна чистота снимков

Современные медицинские снимки, такие как КТ и МРТ, содержат жизненно важные детали: крошечные очаги, едва заметные текстуры и тонкие границы тканей. К сожалению, каждый снимок также засорён случайным «шумом» и соль-перечными помехами — шумом, который может скрыть важные признаки и заставить врачей использовать более высокие дозы радиации или увеличивать время съёмки. В этой статье задаётся на первый взгляд простая, но клинически значимая задача: из двух популярных математических методов очистки изображений какой даёт более чёткие и надёжные результаты при различных типах шумов?

Два подхода к представлению изображения

Авторы сосредотачивают внимание на двух классических стратегиях, которые заново представляют изображение перед его очисткой. Первый использует вейвлеты, разлагающие картинку на грубую фоную структуру и последовательно более тонкие уровни деталей. В таком представлении большая часть случайного шума превращается во множество мелких коэффициентов, тогда как реальные края и текстуры проявляются в меньшем числе больших коэффициентов. Удаление шума означает сжатие или отбрасывание малых коэффициентов по разным пороговым правилам и последующую реконструкцию изображения. Вторая стратегия использует «родственника» преобразования Фурье — дискретное косинусное преобразование (DCT), применяемое не к целому изображению сразу, а к множеству маленьких перекрывающихся квадратных блоков. Внутри каждого блока преобразование отделяет плавную структуру (низкие частоты) от тонких вариаций (высокие частоты), что позволяет алгоритму подавлять высокочастотные компоненты, которые в основном несут шум.

Справедливое испытание популярных методов

Чтобы честно сравнить подходы, исследователи подготовили большую тестовую платформу на основе КТ-изображения размером 512 × 512. Они добавили четыре типа синтетического шума, имитирующего реальные медицинские артефакты: гауссовский и равномерный шум (зернистые флуктуации), пуассоновский шум (типичный для низкодозной рентгенографии, где регистрируется мало фотонов) и «соль‑и‑перец» (яркие и тёмные пиксели, имитирующие импульсные ошибки). Для вейвлетов они опробовали восемь разных семейств — от простейшего вейвлета Хаара до более сложных биортогональных сплайнов — в комбинации с двенадцатью способами сжатия коэффициентов и четырьмя способами выбора силы сжатия. Для косинусного метода обрабатывались перекрывающиеся блоки 16 × 16: каждый блок преобразовывали, обнуляли мелкие высокочастотные компоненты и затем усредняли перекрывающиеся блоки обратно в полное изображение.

Кто лучше очищает и насколько?

Результаты оценивали стандартными метриками качества изображения, сравнивающими очищенное изображение с оригиналом без шума. Среди вейвлетов выделялись биортогональные сплайны и вейвлеты Даубе шиза, особенно в сочетании с адаптивными пороговыми правилами, такими как SURE и Smooth Garrote, которые подстраиваются под наблюдаемые данные. Эти комбинации последовательно превосходили простые вейвлеты вроде Хаара и более экзотические, такие как Мейер и Шеннон. Тем не менее лучшие вейвлетные настройки уступали блочно‑основанному косинусному методу во всех протестированных сценариях шума. Для гауссовского шума, например, лучшая вейвлетная конфигурация достигла пикового отношения сигнал/шум (PSNR) примерно 31 дБ, тогда как блочно‑основанный косинусный метод поднялся примерно до 36 дБ. Похожие отрывы в 4–6 дБ наблюдались и для равномерного, пуассоновского и «соль‑и‑перец» шумов, что означало заметно более чёткие изображения и меньше оставшихся артефактов.

Почему выигрывают маленькие кусочки

Удивление заключается не в том, что косинусные преобразования работают — они являются основой сжатия изображений — а в том, что относительно простой блочно‑основанный косинусный фильтр может превзойти тщательно настроенные вейвлеты, часто хвалимые за их многомасштабный взгляд на изображения. Авторы утверждают, что ключом является не само математическое преобразование, а способ его применения. Их вейвлет‑подход использует одно глобальное правило принятия решений для всего изображения, поэтому слабые, но истинные структуры могут ошибочно принять за шум и быть удалёнными. Напротив, блочно‑основанный косинусный метод адаптируется к локальным окрестностям: каждый перекрывающийся фрагмент анализируется, очищается и затем мягко смешивается с соседями. Такой локальный подход помогает сохранять тонкие анатомические детали при одновременном сокращении зернистости, а перекрытие предотвращает блочные артефакты, которые обычно досаждают блочным методам.

Что это значит для будущих снимков

Для клиницистов и инженеров в области визуализации главный вывод таков: дизайн метода — особенно локальная против глобальной обработки — может быть важнее, чем выбор между «вейвлетом» и «Фурье». В этом контролируемом исследовании локализованный фильтр на основе косинусного преобразования давал более чистые КТ‑изображения, чем широкий набор вейвлет‑рецептов, для нескольких реалистичных типов шума, при лишь умеренном увеличении вычислительных затрат. Это говорит о том, что больницы и производители оборудования, ищущие практичные методы шумоподавления, не основанные на глубоком обучении, могут отдать предпочтение блочно‑частотным методам или гибридам, заимствующим их локальность. В конечном счёте выгода от таких алгоритмических решений проста: более чёткие снимки при меньшей дозе или более коротком времени сканирования и большие шансы, что едва заметные признаки болезни не затеряются в шуме.

Цитирование: 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

Ключевые слова: удаление шума в медицинских изображениях, КТ-томография, вейвлет-преобразование, дискретное косинусное преобразование, снижение шума изображения