1 Johdanto

Teknologian kehittäminen on jokapäiväisessä elämässä välttämätöntä, jotta ihmiskunnalle voidaan tarjota parempia palveluja. Potilaiden diagnosointi vaikeutuu, koska diagnostisten kuvien laatu on heikko tietyissä monimutkaisissa kuvantamismenettelyissä, jotka antavat väärää tietoa. Väärän diagnoosin aiheuttamien kuolemantapausten määrä kasvaa joka vuosi maineikkaissa lehdissä julkaistujen viimeisimpien tutkimusten mukaan. Lääketieteellinen kuvantaminen on kehittynyttä tekniikkaa ihmiskehon eri osien diagnosoimiseksi. Käsittelyn aikana eri laitteilla saadut kuvat yleensä vääristyvät ja kohina lisääntyy, mikä heikentää kuvanlaatua. Näin ollen potilaan kriittisyyttä on vaikea analysoida, mikä johtaa kuvien parantamisen tarpeeseen. Erilaisia lääketieteellisiä kuvantamistekniikoita ihmisen osien analysointiin ovat tietokonetomografia (CT), magneettiresonanssikuvaus (MRI), positroniemissiotomografia (PET), röntgenkuvaus jne. Heikko kontrasti on lääketieteellisten kuvien suurin ongelma, joka heikentää kuvanlaatua, ja tällaisten kuvien parantaminen on välttämätöntä asianmukaisen diagnoosin tekemiseksi. Aiemmat parannustekniikat perustuivat kuvan ominaisuuksien, kuten reunojen, rajojen tai kontrastin, hämärtämiseen, suodattamiseen ja terävöittämiseen, jotta kuva soveltuisi paremmin analysoitavaksi, sekä luminanssikomponentin parantamiseen, joka vain lisää kuvan kirkkautta. Harmaakuvan parannustekniikoihin kuuluvat pääasiassa perinteiset menetelmät, kuten histogrammin tasaus (HE), paikallinen histogrammin tasaus (LHE) ja globaali histogrammin tasaus (GHE). Näiden tekniikoiden tärkeimpiä rajoituksia ovat kuitenkin epämiellyttävät visuaaliset artefaktit, kuten ylikorostus, tasokylläisyys ja kohinatason nousu. Näiden voittamiseksi ehdotettiin tekniikoita, kuten Brightness-Preserving Bihistogram Equalization (BBHE) ja Dualistic Subimage Histogram Equalization (DSIHE), jotka eivät onnistuneet poistamaan impulssikohinaa.

Ehdotetussa työssä on suoritettu sekä väri- että harmaasävyisen lääketieteellisen kuvan parannus. Värikuvan parantamiseen liittyy adaptiivisen histogrammin tasaustekniikan (Adaptive Histogram Equalization, AHE) soveltaminen kylläisyys- (S) ja arvokomponentteihin (V); kontrastin venytystekniikkaa sovelletaan kuvien yleisen dynaamisen alueen parantamiseksi ja lisäksi luminanssikomponenttia V parannetaan käyttämällä adaptiivista kylläisyyspalautetta. Harmaakuvan parannustekniikassa reunojen terävöittäminen saadaan aikaan Laplacian-suodattimella ja sen jälkeen AHE:llä, joka poistaa perinteisten menetelmien haitat. Viime vuosina kasvava suuntaus on potilastietojen tallentaminen lääketieteellistä dokumentointia ja tutkimusanalyysiä varten. Kohinan suodattaminen tai parantaminen täyttää diagnoosin päätavoitteen ja auttaa lääkäreitä päättämään poikkeavuudesta.

Lääketieteellisten kuvien parantamiseen käytetään erilaisia menetelmiä, kuten Stationary Wavelet Transform, Parameterized Logarithmic Image Processing (PLIP) Multiplication, Adaptive Threshold, Adaptive Unsharp Masking, Adaptive Histogram Equalization (Adaptive Histogram Equalization), Adaptive Neighborhood Contrast Enhancement (Adaptive Neighborhood Contrast Enhancement (Adaptive Neighborhood Contrast Enhancement), Global Contrast Stretching (Globaalin kontrastin venyttäminen) ja Sharp Contrast-Limited Adaptive Histogram Equalization (SCLAHE) -tekniikat. Gohshi ehdotti uutta epälineaarista signaalinkäsittelymenetelmää, jolla luodaan korkeataajuisia komponentteja ja parannetaan näin epätarkan kuvan erottelukykyä. Malli on hyvin yksinkertainen asennettavaksi reaaliaikaisiin videojärjestelmiin, kuten gastroskopiakamerajärjestelmiin. Raj Mohan ja Thirugnanam ehdottivat dualistisia alakuvan histogrammentasaukseen perustuvia parannus- ja segmentointitekniikoita. Tulokset osoittavat, että ehdotettu menetelmä on tehokkaampi kuin hierarkkinen ryhmittelytekniikka. Sengee et al. ehdottivat painoklusteroivaa histogrammin tasausta, jossa se määrittää alkuperäisen kuvan histogrammin jokaisen nollasta poikkeavan binäärin erottamaan klusterin ja laskemaan sen painon. Nämä klusteriluvut pienennetään sitten kolmella ehdotetulla kriteerillä, ja niiden odotetaan saavan samat osiot kuin tuloksena oleva kuvan histogrammi. Lopuksi kunkin klusterin alihistogrammin muunnosfunktiot lasketaan ja analysoidaan perinteiseen GHE-menetelmään perustuen tuloskuvan histogrammin uusissa saaduissa osioissa, ja alihistogrammin harmaasävyt kartoitetaan tuloskuvaan vastaavilla muunnosfunktioilla.

Wang et al. ehdottivat uudenlaista histogrammin kartoitusmenetelmää, jossa käytetään nopeaa paikallisen piirteen luomismekanismia yhdistetyn histogrammin rakentamiseen, joka edustaa vokseleiden paikallisia keskiarvoja ja myös harmaasävyjä. Tämän yhdistetyn histogrammin eri osat, jotka on eroteltu yksittäisillä piikeillä, kartoitetaan itsenäisesti histogrammin tavoiteasteikolle sillä rajoituksella, että lopullisen tuloksena olevan histogrammin on pysyttävä mahdollisimman yhtenäisenä. Yu ja Wang ehdottivat automaattista globaalia kontrastin parantamista variaatio-optimoinnin avulla. Energiafunktio on muotoiltu täydellisenä yhdistelmänä histogrammin tasausta ja kvadraattisen vääristymärajoituksen regularisointia. Kuvan odotettu harmaasävymuunnos saadaan mini-max-optimointiprosessin avulla, mikä asettaa yleiset puitteet vääristymiä regularisoivien histogrammin ekvalisointimekanismien perustamiselle globaalia tai spatiaalisesti adaptiivista kontrastinparannusta varten.

Somasekar ja Eswara Reddy ehdottivat tehokasta algoritmia, jolla voidaan säilyttää olennaiset detaljit malariatartunnan saaneen veren mikroskooppisissa kuvissa gammaekvalisointia käyttäen. Tämän menetelmän pääteemana on aluksi muuntaa syötetty värillinen verikuva harmaasävyiseksi ja laskea sitten harmaasävykuvan γ:nnen kertaluvun vaihteluväliarvo. Tämän jälkeen lasketaan Look-Up-Table (LUT) -arvot ja muunnetaan harmaasävykuvan pikselien intensiteettiarvot LUT-arvoiksi, jotka myöhemmin antavat lopulliset tulokset kontrastivahvistetusta kuvasta säilyttämällä olennaiset yksityiskohdat.

Moradi et al. ehdottivat menetelmää, jolla parannetaan ei-invasiivisella laitteella nimeltä Wireless Capsule Endoscopy (Wireless Capsule Endoscopy, langaton kapseliendoskopia, jäljempänä ’WCE’) saatujen kuvien laatua poistamalla kohinaa (Removing Noise) ja kontrastinparannusta (Contrast Enhancement, jäljempänä ’RNCE’) gastrointestinaalisista syistä aiheutuvien ongelmien tunnistamista varten. Kuvanlaadun arviointiparametrit, kuten rakenteellinen samankaltaisuusindeksi (Structural Similarity Index, SSIM), huippusignaali-kohinasuhde (Peak Signal-to-Noise Ratio, PSNR) ja reunapohjainen rakenteellinen samankaltaisuus (Edge-Based Structural Similarity, ESSIM), näyttävät paranevan tehokkaasti tämän tekniikan avulla, mikä puolestaan merkitsee sitä, että tämän tekniikan avulla WCE-kuvien laatu on parantunut tehokkaasti. Tiwari ja Gupta ehdottivat globaalia kontrastin parantamista käyttämällä gammakorjausta, jota seuraa homomorfinen suodatus kuvan terävöittämiseksi lääketieteellisten kuvien kirkkauden säilyttämiseksi.

Kuvan kontrastia parannetaan käyttämällä singulaarisen arvon hajotusta, dynaamisen alueen parantamista ja superresoluutiomenetelmiä, joita on ehdotettu viitteissä . Contrast-Limited Adaptive Histogram Equalization (CLAHE), jossa käytetään Least Mean Square (LMS) -algoritmin käsitteitä, toteutetaan homomorfisella suodattimella yhdessä AHE:n kanssa, mikä antaa parempia tuloksia . Lisäksi lääketieteellisten kuvien parantamisessa käytetään modifioitua histogrammipohjaista kontrastinparannusta, jossa käytetään homomorfista suodatinta, top-hat-muunnosta ja anisotrooppisia diffuusiosuodattimia . Chaira ehdotti uutta menetelmää kuvan reunojen parantamiseen intuitionistisen sumean joukon teoreettisen lähestymistavan avulla; reunainformaatiota parannetaan käyttämällä järjestyssuodatinta laskemalla kuvaikkunan pikseleiden ja mediaanin välinen kokonaisvaihtelu. Rui et al. ehdottivat anisotrooppiseen diffuusioon (AD) perustuvaa hybridimenetelmää pilkkujen poistamiseksi ja reunojen parantamiseksi. Siinä käytettiin kolmen tekniikan – mediaanisuodatuksen, parannetun AD-suodatuksen ja isotrooppisen diffuusiosuodatuksen – kohinanpoisto-ominaisuuksia.

Hossain et al. ehdottivat epälineaarista kuvanparannustekniikkaa transformaatioalueella käyttämällä transformaatiokertoimen histogrammin ekvalisointia, jossa kuvanparannuksen suorituskyvyn mittarina käytetään Enhancement Measure of Enhancement (EME) -arvoa. Kuvien käsittely sisältää globaalin dynaamisen alueen korjauksen ja paikallisen kontrastin parantamisen. Wen et al. ehdottivat kuvanparannusalgoritmia röntgenkuville, joiden kirkkaus, kontrasti ja kohina ovat vähäisiä ja jotka perustuvat aaltomuotoiseen homomorfiseen suodatukseen ja kontrastirajoitettuun adaptiiviseen histogrammin tasaukseen. Aluksi kuva puretaan wavelet-muunnoksella ensimmäisen kerroksen wavelet-alueen matalataajuus- ja korkeataajuuskertoimiksi. Matalataajuiset kertoimet käsitellään parannetulla homomorfisella suodattimella ja vahvistetaan sitten lineaarisesti, ja vastaavasti korkeataajuiset kertoimet käsitellään käyttämällä wavelet-kynnyksen kutistamista, minkä jälkeen suoritetaan wavelet-rekonstruktio. Lopuksi sovelletaan kontrastirajoitteista adaptiivista histogrammin ekvalisointia kuvan histogrammin muuttamiseksi käsittelyn loppuun saattamiseksi. Tämä tekniikka auttaa parantamaan kirkkautta ja kontrastia, vähentämään kohinaa paremmin kuin perinteiset parannusalgoritmit.

Jindal et al. ehdottivat uutta biolääketieteellisen kuvan parannustekniikkaa, joka parantaa kuvien laatua. Tekniikka koostuu pääasiassa menetelmistä, kuten reunan havaitsemisesta, tasoittamisesta, potenssilakimuunnoksesta ja high boost -suodattimesta. Tätä tekniikkaa sovelletaan pääasiassa tummiin lääketieteellisiin kuviin, ja tulos todennetaan vertaamalla entropiaa eri gamma-arvoilla; lisävarmennukseen liittyy myös ihmisen visualisointi. Tämä tekniikka tuottaa parempaa laatua, minkä vuoksi se soveltuu lääketieteellisten kuvasovellusten esikäsittelyyn.