Jämförande studie av wavelettransform och Fourier-domänsfiltrering för brusreducering i medicinska bilder

Varför renare skanningar är viktiga

Moderna medicinska skanningar som CT och MRI innehåller livsavgörande detaljer: små lesioner, svaga texturer och subtila vävnadsgränser. Tyvärr är varje skanning också kontaminerad av slumpmässigt ”snö” och prickar—brus som kan dölja viktiga ledtrådar och tvinga läkare att använda högre stråldoser eller längre skanningstider. Denna artikel ställer en försåtligt enkel fråga med stora kliniska konsekvenser: bland två populära matematiska verktyg för att rengöra bilder, vilket ger faktiskt klarare och mer tillförlitliga bilder när bruset uppträder på olika sätt?

Två sätt att betrakta en bild

Författarna fokuserar på två klassiska strategier som omrepresenterar en bild innan den rengörs. Den första använder wavelets, som bryter ner bilden i grov bakgrundsstruktur plus successivt finare detaljnivåer. I denna representation blir större delen av det slumpmässiga bruset många små koefficienter, medan verkliga kanter och texturer framträder som ett färre antal större koefficienter. Denoising innebär då att krympa eller kassera de små koefficienterna enligt olika tröskelregler och återskapa bilden. Den andra strategin använder en släkting till Fouriertransformen kallad diskret kosinustransform, tillämpad inte på hela bilden på en gång utan på många små, överlappande kvadratiska block. Inom varje block separerar transformen jämn struktur (låga frekvenser) från fina variationer (höga frekvenser), vilket gör det möjligt för algoritmen att undertrycka de högfrekventa komponenterna som främst bär bruset.

Sätta populära metoder på en rättvis provning

För att jämföra dessa angreppssätt rättvist byggde forskarna en stor testmiljö kring en 512 × 512 CT-bild. De lade till fyra typer av syntetiskt brus som efterliknar verkliga medicinska problem: Gaussiskt och likformigt brus (gryniga fluktuationer), Poisson-brus (typiskt för lågdos röntgen där få fotoner samlas), och ”salt-och-peppar”-brus (ljusa och mörka prickar som simulerar impulsfel). För wavelets testade de åtta olika familjer—från enklaste Haar-waveleten till mer sofistikerade biortogonala splines—kombinerade med tolv sätt att krympa koefficienter och fyra sätt att välja hur stark krympningen ska vara. För den kosinusbaserade metoden bearbetade de överlappande 16 × 16-block, transformerade varje block, satte små högfrekventa komponenter till noll och medelvärdesbildade sedan de överlappande blocken tillbaka till en fullständig bild.

Vem rengör bäst, och med hur mycket?

Prestanda bedömdes med standardmått för bildkvalitet som jämför den rengjorda bilden med den ursprungliga brusfria bilden. Inom wavelet-lägret utmärkte sig biortogonala spline- och Daubechies-wavelets, särskilt när de kombinerades med adaptiva tröskelregler som SURE och Smooth Garrote som anpassar sig efter de observerade data. Dessa kombinationer överträffade konsekvent enklare wavelets som Haar och mer exotiska som Meyer och Shannon. Trots detta blev de bästa wavelet-uppläggen slagna av den blockbaserade kosinusmetoden i alla testade brusscenarier. För Gaussiskt brus nådde till exempel den bästa wavelet-konfigurationen en topp i signal‑till‑brus‑förhållande (PSNR) på cirka 31 dB, medan den blockbaserade kosinusmetoden klättrade till ungefär 36 dB. Liknande marginaler på 4–6 dB syntes för likformigt, Poisson- och salt‑och‑peppar‑brus, vilket innebär märkbart skarpare bilder och färre kvarvarande artefakter.

Varför mindre bitar vinner

Överraskningen är inte att kosinustransformer fungerar—de är ryggraden i bildkompression—utan att en relativt enkel, blockbaserad kosinusfilter kan överträffa noggrant inställda wavelets, som ofta hyllas för sin flerskaliga bildsyn. Författarna menar att nyckeln inte är den matematiska transformen i sig utan hur den används. Deras waveletteknik tillämpar en global beslutsregel på hela bilden, så svaga men verkliga strukturer kan misstas för brus och raderas. I kontrast anpassar sig den blockbaserade kosinusmetoden till lokala grannskap: varje överlappande fält analyseras, rengörs och blandas sedan mjukt med sina grannar. Denna lokala syn hjälper till att bevara fina anatomiska detaljer samtidigt som grynigheten minskas, och överlappningen undviker de blockiga artefakter som vanligtvis plågar blockmetoder.

Vad detta betyder för framtida skanningar

För kliniker och bildtekniker är huvudslutsatsen att metoddesign—särskilt lokal jämfört med global bearbetning—kan spela större roll än valet mellan ”wavelet” och ”Fourier”. I denna kontrollerade studie gav ett lokaliserat, kosinusbaserat filter renare CT-bilder än ett brett urval av wavelet-recept, över flera realistiska brusformer, med endast en måttlig ökning i beräkningstid. Det antyder att sjukhus och utrustningstillverkare som söker praktiska, icke‑djupinlärningsbaserade denoiserer kan vilja luta åt blockbaserade frekvensmetoder eller hybrider som lånar deras lokalitet. I slutändan är vinsten av sådana algoritmiska val lätt att förstå: klarare bilder vid lägre dos eller kortare skanningstider, och bättre chanser att subtila tecken på sjukdom inte går förlorade i bruset.

Citering: 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

Nyckelord: brusreducering i medicinska bilder, CT-avbildning, wavelettransform, diskret kosinustransform, minskning av bildbrus