基于空间信息改进聚类的切伦科夫荧光图像去噪算法 下载: 910次
1 引言
在导电介质中,一个高速带电粒子的速度超过光速而发出光谱连续的近红外光和可见光的现象称为切伦科夫效应,发出的近红外光和可见光称为切伦科夫射线(CR)[1-2]。切伦科夫荧光成像(CLI)技术是基于切伦科夫效应,通过探测某些放射性核素在核衰变过程中产生的波长为400~900 nm的切伦科夫荧光(CL)进行成像的一种新型光学分子影像模态[3-5]。CLI技术的提出打通了光学分子影像技术与传统核医学影像技术之间的壁垒。相比于传统的光学分子影像技术,CLI技术还拥有一个巨大的优势,即CLI可以采用药品管理署(FDA)认证的核素探针,这有效避免了临床研究开发核素探针这一繁琐又耗时的过程[6-7]。目前,CLI技术已成功应用于诊断成像、药物开发、术中指导和内窥成像,成像对象不仅包括小动物,还包括人[8-9]。
CR是放射性核素衰变过程中的次级产物,强度非常弱,大部分能量均分布在波长小于600 nm的光谱中[10-11]。由于短波范围的生物衰减系数较大,随着生物组织对光的吸收和散射,在实际成像中采集到的CR能量强度值常较小,因此在体内CLI的研究中需要相对较长的采集时间(一般为3~5 min)[12]。核衰变的主要产物是高能量g射线,在获取CR时,这些高能量g射线会穿透生物组织并直接撞击成像系统的电荷耦合器件(CCD),这会导致CLI图像上存在很多灰度值很大的脉冲噪声,影响了基于CLI图像的定量分析和后序的三维重建等应用研究的准确性。为了去除CLI图像中的脉冲噪声,常用中值滤波算法对图像进行处理。虽然中值滤波算法在选择合适的滑动窗口后可以去除大部分噪声,但是仍然存在以下缺点:1)经中值滤波算法处理后,图像中CL光源部位的像素值会减小,影响图像的定量分析;2)中值滤波算法的良好去噪效果依赖于较大的滑动窗口,但较大的滑动窗口通常会导致CLI图像上CL光源部位形状的改变。除了以上去噪算法外,Cao等[13]提出了一种基于时间序列中值(TM)的滤波算法。该算法通过捕获具有时间序列的短曝光时间(10 s)的30个CLI图像,利用时间序列中值滤波器来去除噪声。该算法在动物假瘤实验(放射性核素活度为3.7´106)中的去噪效果良好,但是在大多数体内研究中,病灶处放射性核素的活度非常小,这样短的曝光时间几乎无法检测到CL,因此TM滤波器并不适合用于体内研究中的CLI图像去噪。
本文提出的去噪方法包含2个步骤:噪声像素区域的分割和图像修复。在噪声像素区域的分割部分,由于原始CLI图像被高能量值的噪声破坏,因此可以将CLI图像中的像素分为3类:背景、信号和噪声。CLI图像去噪的目的就是摒弃噪声部分的像素,保留背景和信号部分的像素。受模式识别技术的启发,本文将聚类方法引入到CLI图像的去噪过程中。模糊
本文提出了一种结合FLICM算法和TV模型的CLI图像新型去噪算法(简称FLICMTV算法),通过仿真和真实实验,将仿真和实验的去噪效果与传统中值滤波算法的去噪效果进行对比,结果表明:FLICMTV算法在有效去除高能射线噪声的同时不会改变图像上CL光源的整体强度,并且能够保持CL光源在图像上的形状细节。相比于TM滤波算法,FLICMTV算法较长的曝光时间能保证CLI在体内研究顺利进行,具有稳健性和可用性。
2 基本原理
2.1 FLICM算法
FLICM算法通过引入一个模糊因子
FCM算法是一种迭代聚类方法,通过最小化目标函数
定义FCM的目标函数
通过最小化目标函数
为了克服FCM的缺点,在FCM的目标函数
式中:
将模糊因子
与FCM类似,对目标函数
2.2 TV模型
Rudin等[20]在1992年第一次提出了将TV模型用于图像去噪,Chan等[21]随后建立了基于能量最小化原则的统一修复模型,并将TV模型应用于图像修复领域。
TV模型具有形态学不变性,在修复时基于图像的整体特征进行修复,对自然图像的修复效果较好。由于TV模型能够起到延长边缘的作用,因此适合修复受损面积较小的图像。
设
且满足噪声约束
式中:
式中:
式中:div表示散度。
将(12)式离散化,考虑待修复点为
化简(14)式得到最终的迭代式为
2.3 CLI图像去噪方法
设
图 1. (a)真实实验的CLI图像; (b) CLI图像的直方图
Fig. 1. (a) CLI image of vivo experiment; (b) histogram of CLI image
阈值
首先,找到孤立点,将像素值置为0。若像素点(
式中:
填充空洞点后,将图像叠加,即
最后采用TV模型对图像进行进一步修复。
表 1. FLICMTV去噪算法
Table 1. FLICMTV denosing algorithm
|
3 实验与结果
为了系统地评估所提去噪方法的性能,设计3组实验,分别为数值仿真实验、物理仿体实验和真实动物实验,并与不同滑动窗口大小的中值滤波算法的去噪效果进行对比分析。为了更好地定量比较不同方法的去噪效果以及对CLI图像上CL光源的影响,引入2种定量评价指标:均方根误差(RMSE)和结构相似性指数(SSIM)。
均方根误差RMSE定义为
式中:
结构相似性指数SSIM定义为
式中:
3.1数值仿真实验
首先,基于数字鼠MOSE软件生成模拟CLI图像[27]。将点光源植入到数字鼠皮下5 mm处用于模拟医用同位素,如
用不同算法进行去噪后的图像如
图 2. 数值仿真实验的CLI图像。(a)数字鼠,蓝色小圆圈内的红点代表CL源位置; (b) CLI仿真图像; (c)添加噪声后的CLI仿真图像
Fig. 2. CLI images in numerical simulation. (a) Digital mouse, CL source location is the red point in blue circle; (b) simulated CLI image; (c) simulated CLI image after adding noises
图 3. CLI图像采用滑动窗口大小分别为(a) 3、(b) 5、(c) 7的中值滤波算法的去噪结果和(d) FLICMTV算法的去噪结果
Fig. 3. Denoising results of median filter algorithm with sliding window sizes of (a) 3, (b) 5, and (c) 7, as well as (d) denoising result of FLICMTV algorithm
图 4. 中值滤波算法和FLICMTV去噪算法的RMSE和SSIM。(a) ROI的RMSE; (b) ROI的SSIM; (c) RMSE; (d) SSIM
Fig. 4. RMSE and SSIM of median filter and FLICMTV denoising algorithms. (a) RMSE of ROI; (b) SSIM of ROI; (c) RMSE; (b) SSIM
3.2 物理实验
3.2.1 材料和仪器
实验使用的放射性核素为18F。在实验过程中,该核素以18F-FDG(18F-葡萄糖)的形式提供。18F-FDG溶液由美国GE公司Minitrace型回旋加速器和德国FDG试剂盒制备。
采用的光学仪器是自制的CLI系统,由电子倍增CCD(EMCCD)相机(Ixon3 Ultra 897型,Andor公司)、标准定焦镜头(Pentax F/1.8型)和避光盒组成。物体成像过程包含2个图像的采集,分为光照时间为0.1 s的白光图像和3 min的CLI图像,同时bin值为4。所有获取CLI图像的过程均重复5次。
3.2.2 物理仿体实验
为了验证所提去噪算法在具有较好去噪效果的同时,不影响CLI图像上的CL光源形状及结构细节,设计一组物理实验。在棱长为10 mm的正方体表面钻一个孔,孔的深度为2.5 mm,再将填充有740 kBq(20μCi)18F-FDG的橡胶毛细管插入孔内。通过CLI系统的视场角(FOV)获得白色图像以及CLI图像。
原始CLI图像和白光图像的融合图像如
图 5. 物理仿体实验结果。(a)原始CLI图像; (b)使用FLICMTV算法去噪后的CLI图像; (c)使用中值滤波算法去噪后的CLI图像(滑动窗口大小为5); (d)红线位置处的像素强度; (e)黄色正方形区域内不同去噪算法的SSIM
Fig. 5. Results of physical phantom experiment. (a) Original CLI image; (b) denoised CLI image with FLICMTV algorithm; (c) denoised CLI image with median filter algorithm with sliding window size of 5; (d) pixel intensity at red lines; (e) SSIM of different denoising algorithms in yellow rectangle
3.3 真实动物实验
为了进一步验证所提去噪算法具有应用于生物医学的潜力,设计了基于裸鼠假瘤模型的真实实验。假瘤动物模型的制作按照本课题组先期研究的步骤操作,其中动物护理和操作均经空军军医大学(第四军医大学)动物研究委员会批准[12, 28]。动物手术在全身麻醉并吸入质量分数为1%~2%异氟醚-氧气混合物的条件下进行,混合物选择由50 μL人工基膜Matrigel (BD Biosciences公司)和555 kBq(15 μCi)18F-FDG充分混合得到的最终体积为100 μL的混合溶液,该混合溶液放置在一根微量离心管内。将混合溶液注射到裸鼠的左前臂后,将裸鼠放置在保温平台上约3 min,等待人工基质胶固化和成型。最后,将裸鼠移入到系统中并获取图像。
CLI系统获得的小鼠白光图像如
4 结论
本课题组提出了一种新的CLI图像去噪算法,该算法可以有效去除放射性核衰变过程中高能g射线引起的随机脉冲噪声。通过设计一系列实验,对所提算法的去噪效果进行评估,考虑到去除噪声的同时会对原始图像上CL光源的形状以及强度产生影响,加入了结构相似系数SSIM作为定量评价指标之一。结果表明:与传统的中值滤波算法相比,所提算法能在保持CLI图像上CL光源形状和强度的基础上达到较好的去噪效果,并且在真实生物应用中仍具备较好的效果,保证了CLI图像的采集时间。本研究可望为后续的CLI研究工作提供有效的数据预处理工具。
图 6. 真实动物实验结果。(a)小鼠的白光图像,红色小圆圈处为假瘤区域; (b)原始CLI图像; (c) FLICMTV算法去噪后的CLI图像; (d)中值滤波算法(滑动窗口大小5)去噪后的CLI图像; 中值滤波算法和FLICMTV算法在红色小圆圈处以及全图的(e) RMSE和(f) SSIM; (g)图6(b)~(d)中ROI处的平均像素强度
Fig. 6. Results of in vivo experiment. (a) White-light image of mouse, pseudotumor area is outlined in red circle; (b) original CLI image; (c) denoised CLI image with FLICMTV algorithm; (d) denoised CLI image with median filter algorithm with sliding window size of 5; (e) RMSE and (f) SSIM (red circle and all picture) for median filter and FLICMTV algorithms; (g) mean pixel intensity of ROI in fig. 6 (b), (c), and (d), respectively
[2] Jelley JV, Brown SC. erenkov radiation and its applications [M]. London: Pergamon Press, 1958.
[4] Ma X W, Wang J, Cheng Z. Cerenkov radiation: a multi-functional approach for biological sciences[J]. Frontiers in Physics, 2014, 2: 00004.
[7] Spinelli A E, Boschi F. Novel biomedical applications of Cerenkov radiation and radioluminescence imaging[J]. Physica Medica, 2015, 31(2): 120-129.
[14] Bezdek JC. Pattern recognition with fuzzy objective function algorithms[M]. New York: Plenum Press, 1981: 44- 93.
[15] WangP, Wang HL. A modified FCM algorithm for MRI brain image segmentation[C]∥Proceedings of the 2008 International Seminar on Future BioMedical Information Engineering. Washington, D. C. : IEEE Computer Society, 2008: 26- 29.
[16] Krinidis S, Chatzis V. A robust fuzzy local information C-means clustering algorithm[J]. IEEE Transactions on Image Processing, 2010, 19(5): 1328-1337.
[17] 徐军飞, 周小凡, 石勇. 基于模糊局部信息C均值算法的网目调光谱反射率预测模型研究[J]. 光学学报, 2015, 35(9): 0933001.
[18] BertalmioM, SapiroG, CasellesV, et al.Image inpainting[C]∥Proceedings of the 27th Annual Conference on Computer Graphics and Interactive Techniques, July 23-28, 2000, New Orleans, LA, USA.New York: ACM Press, 2000: 417- 424.
[19] 周程灏, 王治乐, 刘尚阔. 基于空间变化点扩展函数的图像直接复原方法[J]. 光学学报, 2017, 37(1): 0110001.
[25] Xie JY, Xu LL, Chen EH. Image denoising and inpainting with deep neural networks[C]∥Proceedings of the 25th International Conference on Neural Information Processing Systems, December 3-6, 2012, Lake Tahoe, Nevada. New York: Curran Associates Inc. , 2012: 341- 349.
[28] 侯榆青, 薛花, 曹欣, 等. 基于稀疏贝叶斯学习的单视图增强型切伦科夫发光断层成像[J]. 光学学报, 2017, 37(12): 1217001.
贺小伟, 孙怡, 卫潇, 卢笛, 曹欣, 侯榆青. 基于空间信息改进聚类的切伦科夫荧光图像去噪算法[J]. 光学学报, 2018, 38(10): 1017001. Xiaowei He, Yi Sun, Xiao Wei, Di Lu, Xin Cao, Yuqing Hou. Denoising Algorithm of Cerenkov Luminescence Images Based on Spatial Information Improved Clustering[J]. Acta Optica Sinica, 2018, 38(10): 1017001.