A New Hybrid Fuzzy Intelligent Filter for Medical Image Noise Reduction

Document Type : Research Article

Authors

1 MSC Student, Dept. of Electric and Computer Engineering, Yazd University, Yazd, Iran.

2 Dept. of Electric and Computer Engineering, Yazd University, Yazd, Iran.

Abstract

Medical imaging comprises different imaging modalities and processes to image human body for diagnostic and treatment purposes and, therefore has an important role in the improvement of public health in all population groups. In this paper, we present an intelligent hybrid noise reduction filter which is based on Neuro-Fuzzy systems. It is especially beneficial in medical image noise reduction. First stage we feed the input image into four general noise reduction filters in parallel. These general filters are: mean filter, median filter, weighted median filter and the adaptive median filter. At the second stage we give the output of the above filters as input into a Neuro-Fuzzy system. As expected, the ability of Neuro-Fuzzy systems in encoding human knowledge and using non-deterministic knowledge, allow us to achieve much more noise reduction from the input images. We implement the proposed method and use it for reduction of noise from a set of medical images affected with high noise density. Experimental results show that the idea is considerably effective.

Keywords

Full Text

[1]در سال‌های اخیر استفاده از تصاویر پزشکی در تشخیص بیماری‏ها‌ به نحو چشم گیری گسترش یافته است. در اثر محدودیت‌های زمانی و امکانات تصویربرداری، این تصاویر به نویز آلوده می‏شوند. آثار مخرب نویز در تصویر به شکل‏های مختلفی نمایان می‏شود و روش‌های گوناگونی برای مقابله با نویز تصویر ارایه شده‏است[1].

تعداد در خور توجهی از این روش‏ها بر مبنای فیلترهای آماری هستند. مشهورترین این فیلترها فیلتر استاندارد میانه است که با تغییر پیکسل مرکزی با میانه پیکسل‌های موجود در پنجره فیلتر سعی در حذف نویز از پیکسل مرکزی دارد [2]. مزایای این روش ساده بودن، کم بودن محاسبات و داشتن کارایی قابل قبول در حذف نویز است. یکی از معایب آن تار شدن جزئیات تصویر حتی در محیط‌های با نویز کم و جابجایی جزییات تصویر در حد چند پیکسل است‏.

 برای رفع مشکل فیلتر استاندارد میانه، دو گونه دیگر از آن با عنوان فیلتر میانه وزن‏دار[1] [2] و فیلتر میانه مرکز وزن‏دار[2] [3] ارایه شده‏اند. این فیلترها قابلیت حفظ لبه‏ها و جزئیات تصویر را تا حدی دارند. این فیلترها، اپراتورهای ثابت مکانی هستند که صرف نظر از رفتار فیلتر تمایزی بین پیکسل‌های نویز و بدون نویز تصویر ورودی قایل نیستند.

علاوه بر فیلترهای مبتنی بر میانه، انواع مختلفی از فیلترهای میانگین و همچنین، فیلترهای غیرخطی مبتنی بر روش‏های محاسبات نرم برای حذف نویز ارایه شده اند [4 و 5]. مواردی از به‏کارگیری اولیه سیستم‏های فازی و فازی-عصبی در حذف نویز تصاویر دیجیتال در مقاله‏های علمی دیده می‏شود [5]. به علت عدم قطعیت پیکسل‏های یک تصویر آلوده به نویز هیچ‏کدام از روش‌های یاد شده کارایی قابل قبولی در حذف نویز تصاویر پزشکی ندارند و ممکن است برخی از پیکسل‏های نویزی را بدون فیلتر کردن رها کنند و با فیلتر کردن برخی پیکسل‏های سالم موجب تحریف تصویر خروجی شوند [6].

در روش پیشنهادی این مقاله ضمن بهره گیری از مفاهیم به‏کار رفته در این روش‏ها برای حذف نویز تصاویر پزشکی با چگالی نویز بالا روش متمایزی ارایه می‏شود.

در بخش دوم مقاله نوع نویز و فیلترهای استفاده شده در مرحله اول روش پیشنهادی معرفی می‌شوند. در بخش سوم سیستم فازی- عصبی برای بازیابی پیکسل نویزی معرفی می‏شود، در بخش چهارم پیاده‌سازی روش پیشنهادی، در بخش پنجم نتایج پیاده سازی و در بخش ششم نتیجه گیری بیان می‌شود.

 

1- انوع نویز و فیلترهای حذف آن‏ها

رایج‏ترین انواع نویز در تصاویر پزشکی، عبارتند از نویز خال[3]، که به نویز ضرب شونده معروف است. این نویز بیشتر در تصاویر آلتراسوند مشاهده می‏شود. نویز سفید یا گوسی که در تصاویر تشدید مغناطیسی مشاهده می‏شود. منبع اصلی وجود نویز در تصاویر تشدید مغناطیسی نویز گرمایی بیمار است.

نویز فلفل و نمک که با نام‏های دیگری نظیر نویز تک‏ضربه یا نویز باینری نیز شناخته می‏شوند. این نویز به علت نوسانات برق در دستگاه‏های تصویربرداری پزشکی و تغییر سریع و ناگهانی سیگنال تصویر رایج‏ترین نوع نویز در تصاویر پزشکی است؛ و به صورت دانه‌های سیاه و سفید و تصادفی در پیکسل‏های تصویر ظاهر می‌شود [7 و 16].

به علت فرکانس بالای پیکسل‌های آسیب دیده با نویز فلفل و نمک رایج‏ترین فیلترها برای حذف این نویز فیلترهای پایین گذر هستند، نتیجه ضعف این فیلترها، کاهش کیفیت تصویر است [10].

در این مقاله، در مرحله اول با استفاده از چهار فیلتر عمومی، میانگین، میانه استاندارد، میانه وزن‏دارو میانه تطبیقی، تصویر اولیه نویز‏زدایی می‌شود‌.

در فیلتر میانگین متوسط مقدار عناصر داخل پنجره 3×3 محاسبه شده و به جای عنصر مرکزی قرار می‏گیرد. در فیلتر میانه که یک فیلتر غیرخطی است برای حذف نویز اعداد داخل پنجره مرتب شده و عدد میانه به عنوان خروجی به جای عنصر مرکز پنجره قرار می‌گیرد [7].

در فیلتر میانه وزن‏دار که فرم توسعه یافته‏ای از فیلتر میانه استاندارد است عناصر داخل پنجره در یک ماسک شامل وزن‏‏ها ضرب می‏شوند [3 و 8]. فیلتر میانه تطبیقی نیز حالت دیگری از فیلتر میانه است که عنصر میانه را با یک آستانه مقایسه و تصمیم گیری می‏کند که آیا با عنصر مرکزی پنجره جایگزین شود یا سایز پنجره را افزایش دهد. این فیلتر سعی دارد فقط پیکسل‌های نویزی را تحت تأثیر قرار دهد [9]. هرکدام از فیلترهای یاد شده تا حدی نویز موجود در تصویر را برطرف می‏کنند اما در تصاویر با چگالی نویز بالا کارایی بیشتری لازم است [13] .بدین منظور نتیجه حاصل از اعمال فیلترهای یاد شده از یک سیستم فازی-عصبی گذر داده می‏شود.

2- سیستم فازی- عصبی برای بازیابی پیکسل نویزی

سیستم فازی- عصبی[4] ترکیبی از یک سیستم فازی برای برقراری رابطه بین ورودی و خروجی، و شبکه عصبی برای تعیین شاخص‏های مربوط به توابع عضویت سیستم فازی است. این سیستم قدرت بیان عدم قطعیت به صورت کیفی را دارد و از جهتی شبیه به شبکه عصبی با ساختار متغیر است که با توجه به نوع داده‏ها ساختار خود را تطبیق می‌دهد تا به رفتار ورودی- خروجی مطلوب برسد [14].

معماری سیستم فازی- عصبی شامل پنج لایه‏ی ورودی، فازی‏گر، تالی قواعد، لایه ترکیب و فازی زداست‏. شاخص‏های توابع عضویت این سیستم از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می‌شوند. این عملیات تنظیم به سیستم‌های فازی اجازه می‌دهد تا ساختار خود را از مجموعه داده‏ها فرا بگیرد [15].

سیستم فازی- عصبی پیشنهادی شامل یک موتور استنتاج فازی مرتبه اول سوگنو، چهار متغیر ورودی، یک خروجی و 16 قانون است. توابع عضویت ورودی از نوع گوسی، رابطه (1) و تابع عضویت خروجی از نوع خطی، رابطه (2) است

 

(1)

  

(2)

  

 

شاخص‏هایa, b, c  وd برای تعیین شکل توابع عضویت باید تنظیم شوند. مقدار بهینه این شاخص‏ها با استفاده از ترکیب روش‏های انتشار به عقب و گرادیان نزولی تعیین می‏شود [12].

شاخص‏های اولیه به صورت تصادفی انتخاب ‏شد و به صورت تکراری بعد از 10مرحله آموزش شاخص‏های نهایی تعیین شد. برای آموزش از تصاویر آموزشی شکل (1) استفاده شد. این تصاویر توسط نرم افزار متلب تولید شده است. سایز تصاویر 128×128 است و از بلوک های 4×4 تشکیل شده است. هر بلوک حاوی 16پیکسل است که دارای میزان شدت روشنایی تصادفی در بازه ]255-0[ هستند [11]. مزیت استفاده از این تصاویر وابسته نشدن سیستم به یک تصویر خاص است [14].

 

 

)  الف (                          ) ب (

شکل (1): تصویر آموزشی استفاده شده، (الف)تصویر بدون نویز، (ب)تصویر آموزشی با نویز

 

3- پیاده‌سازی روش پیشنهادی

شکل(2) نمای کلی روش پیشنهادی را نشان می‏دهد. در این روش، تصویر نویزی ورودی به‏طور موازی از چهار فیلتر عمومی حذف نویز عبور داده می‏شود، X تصویر نویزی ورودی و X0، X1،  X2و X3 خروجی فیلترهای حذف نویز هستند که به عنوان ورودی به سیستم فازی– عصبی وارد می‏شود.Y نیز خروجی سیستم فازی- عصبی، تصویر بهبود داده شده نهایی است.

در اعمال فیلتر به تصویر دو مرحله وجود دارد. در مرحله اول تصاویر مربوط به آموزش شبکه استفاده می‏شود. بعد از آموزش شبکه و تعیین شدن شاخص‏ها با توجه به ویژگی‏های تصویر و نویز، می‏توان برای آزمایش فیلتر از تصاویر جدید استفاده کرد. در مرحله آموزش فیلتر از تصویر تشدید مغناطیسی مغز با چگالی نویز 60 درصد استفاده شد. تصاویر استفاده شده دارای 256 سطح خاکستری هستند.

 

Y
 

AMF
 

WMF
 

Median
 

Average
 

شکل (2) : ساختار کلی روش پیشنهادی

 

4- نتایج آزمایش‏ها و تحلیل آن‏ها

آزمایش‏ها بر روی مجموعه‏ای از تصاویر پزشکی 8 بیتی با سطوح خاکستری، ابعاد 256×256 و با چگالی نویز متفاوت و بالا انجام شده است. هرکدام از تصاویر با چگالی نویز 25،50 و 75 درصد تخریب شدند. این عدد بیان کننده درصد پیکسل‏های تخریب شده تصویر است‏. از مجموعه تصاویر تولید شده سه تصویر استاندارد، شکل (3) انتخاب شدند. تصاویر آزمایشی تولید شده یک بار با روش پیشنهادی و یک بار بدون روش پیشنهادی نویز زدایی شدند.

 

   

الف

ب
 

ج

شکل(3): تصاویر پزشکی استاندارد برای ارزیابی کارایی فیلتر، (الف) تصویر آنژیوگرافی دست، (ب) تصویر شدت مغناطیسی مغز، (ج) تصویر سونوگرافی

کارایی فیلتر پیشنهادی با دو گروه فیلترهای عمومی و فیلترهای فازی موجود مقایسه می‌شود. از میان فیلترهای عمومی کارایی فیلتر پیشنهادی با فیلترهای میانه، میانه وزن‌دار، میانه وزن‏دار عنصر مرکزی، میانه تطبیقی، میانه چند حالتی[5] [8] و فیلتر [6]JBF [9] مقایسه ‏می‏شود. از میان فیلترهای فازی این روش با فیلتر ارایه شده در [5] مقایسه می‌شود.

از دو معیار میانگین مربع خطا[7] و نسبت نویز به سیگنال[8] رابطه (3 و 4) برای مقایسه کارایی روش پیشنهادی نسبت به روش‏های دیگر استفاده می‏شود.

(3)

  

(4)

  

 

که  و  به ترتیب تصویر اصلی بدون نویز و تصویر بازیابی شده از فیلتر حذف نویز است،R  و C ابعاد تصویر و maxi بیشترین مقدار پیکسل در تصویر است.

نتایج عددی حاصل از مقدار میانگین مربع خطا هر کدام از روش‌ها برای تصویر آنژیوگرافی دست با چگالی نویز 10 درصد در شکل(4) نمایش داده شده است. همان گونه که مشاهده می‌شود خطای روش پیشنهادی نسبت به روش‏های پیشین کمتر است.

 

 

شکل (4) : معیار خطا برای فیلترهای حذف نویز

در شکل (5) معیار نسبت نویز به سیگنال روش‌ها نشان داده شده که فیلتر پیشنهادی دارای مقدار بیشتری است.

 

 

شکل (5) : معیار نسبت نویز به سیگنال فیلتر‏های حذف نویز

 

 

شکل (6) نمودار میانگین مربع خطا در چگالی نویز متفات برای سه فیلتر فیلتر فازی[5]، فیلتر میانه تطبیقی وJBF  بر روی تصویر آنژیوگرافی دست را در مقایسه با فیلتر پیشنهادی نشان می‏دهد، در چگالی نویز متفاوت فیلتر پیشنهادی دارای خطای کمتری نسبت به فیلترهای موجود است.

 

 

شکل (6) : نمودار میانگین مربع خطای تصویر آنژیوگرافی دست در چگالی نویز متفاوت

 

نتایج بصری حاصل از اجرای روش پیشنهادی مقاله بر روی برخی از تصاویر پزشکی از جمله تصویر شدت مغناطیسی مغز، تصویر آنژیوگرافی دست و تصویر سونوگرافی آلوده شده با نویز 25 درصد در شکل (7) نشان داده شده است.

در تصاویر حاصل از روش پیشنهادی، بهبود چشم‏گیری از نظر حذف نویز با چگالی بالا، حفظ جزئیات و لبه تصویر حاصل مشاهده شد.

 

جدول (1):MSE  حاصل از بازیابی تصویر آنژیوگرافی دست

چگالی نویز

25%

50%

75%

MSMF

10/30

32/42

01/79

JBF

82/37

61/54

09/87

MF

75/29

11/62

41/96

AMF

21/34

98/68

87/94

WMF

70/31

08/55

76/89

CWMF

05/32

66/54

23/83

Fuzzy

88/26

98/49

85

فیلتر پیشنهادی

20/15

45/22

76/61

 

جدول (2): MSE حاصل از بازیابی تصویر سونوگراف

چگالی نویز

25%

50%

75%

MSMF

02/38

21/43

63/86

JBF

87/45

75/64

54/96

MF

53/36

87/57

101

AMF

21/42

09/56

65/97

WMF

86/40

96/54

39/94

CWMF

05/41

05/52

45/90

Fuzzy

65/32

73/53

97/87

فیلتر پیشنهادی

89/19

70/32

53/67

 

 


 

      
       
       

(الف)

(ب)

(ج)

(د)

شکل (7): نتایج بازیابی سه تصویر تشدید مغناطیسی مغز، آنژیوگرافی دست و تصویر سونوگرافی (الف) تصویر اصلی بدون نویز، (ب) تصویر آلوده شده با نویز نمک و فلفل و با چگالی نویز25 درصد (ج) تصویر بازیابی با فیلتر ارایه شده در [5]،(د) تصویر بازیابی با فیلترپیشنهادی

 

 

جدول (1) و (2) مقدار میانگین مربع خطا برای دو تصویر آنژیو گرافی دست و تصویر سونوگرافی را نشان می‏دهد که در هر دو تصویر روش پیشنهادی دارای خطای کمتری است.

نتایج حاصل از فیلتر پیشنهادی از نظر حذف نویز، حفظ لبه‌ها و جزئیات تصویر بهتر از فیلترهای دیگر است. این روش در تصاویر پزشکی با چگالی نویز متفاوت و بالا دارای عملکرد خوبی است. نتایج عددی و بصری حاصل از مقایسه فیلتر پیشنهادی با فیلترهای موجود تایید کننده این ادعاست که استفاده از ترکیب فیلترها‏ی حذف نویز و سیستم فازی- عصبی، موجب بهبود کارایی فیلتر حذف نویز می‌شود.

 

5- نتیجه گیری

در این مقاله یک فیلتر ترکیبی هوشمند مبتنی بر سیستم فازی- عصبی برای کاهش نویز نمک و فلفل از تصاویر پزشکی ارایه شد. نتایج عددی و بصری حاصل از اجرای این روش بر روی تصاویر پزشکی با چگالی نویز بالا توانایی این روش در حذف نویز و حفظ جزئیات نسبت به روش‏های دیگر را نشان می‏دهد.

 


[1]تاریخ ارسال مقاله : 23/06/1392

تاریخ پذیرش مقاله : 28/05/1393

نام نویسنده مسئول : سمیه علی اکبری دهکردی

نشانی نویسنده مسئول : ایران – یزد – دانشگاه یزد– دانشکده برق و کامپیوتر.


[1] Weighted Median Filter

[2] Center-Weighted Median Filter

[3] Speckle

[4] Adaptive Neuro-Fuzzy Inference System

[5] Multi-State Median Filter (MSMF)

[6] Jarque -Berra test based filter

[7] Mean Square Error(MSE)

[8] Peak Signal to Noise Ratio(PSNR)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

References

مراجع
[1]      Umbaugh SE. "Computer vision and image processing". Upper Saddle River, NJ: Prentice-Hall International Inc.; 1998.
[2]      Yli-‏Harja O, Astola J., Neuvo Y. ,"Analysis of the Properties of Median and Weighted Median Filters using Threshold logic and Stack Filter Representation". IEEE Transactions on Signal Processing, Vol. 39, No. 2, pp.395-410, 1987.
[3]      Ko SJ, Lee YH. "Center Weighted Median Filters and their Applications to Image Enhancement". IEEE Transactions on Circuits and Systems, Vol. 38, No. 9, pp.984–93, 1991.
[4]      Eng H-L, Ma K-K. "Noise Adaptive Soft-switching Median Filter". IEEE Transactions on Image Processing, Vol.10, No.2, pp.242–51, 2001.
[5]      Yüksel ME, Be¸sdok E. "A Simple Neuro-Fuzzy Impulse Detector for Efficient Blur Reduction of Impulse Noise Removal Operators for Digital Images". IEEE Transactions on Fuzzy Systems; Vol. 12, No.6, pp. 854–65, 2004.
[6]      Schulte S, Nachtegael M, De Witte V, Van der Weken D, Kerre EE. "A fuzzy Impulse Noise Detection and Reduction Method". IEEE Transactions on Image Processing, Vol.15, No.5, pp. 53–62, 2006.
[7]      Mahesh T R,  Prabhanjan S, "Noise Reduction by Using Fuzzy Image Filtering”, Journal of Theoretical and Applied Information Technology", Islamabad Pakistan, Vol.15, No.2, pp. 115-120, 2010.
[8]      Chen T, Wu HR. "Space Variant Median Filters for the Restoration of Impulse Noise Corrupted Images". IEEE Transactions of Circuits and Systems-II, Vol. 48, No.8, pp. 78–94, 2011.
[9]       Yüksel ME. "Impulsive noise Rejection from Images with Jarque –Berra test based median filter". International Journal of Electronic and Communications, Vol. 59, No.2, pp. 91-105, 2005.
[10]      Lee C-S, K.uo Y-H. "The Important Properties and Applications of the Adaptive Weighted Fuzzy Mean Filter". International Journal of Intelligent Systems, Vol .14, No. 2, pp. 53–74, 2012.
[11]      Windyga PS. "Fast Impulsive Noise Removal". IEEE Transactions on Image Processing; Vol.10, No.1, pp73–9, 2001.
[12]      Russo F. "Impulse Noise cancellation in image data using a two-output nonlinear filter". Measurement; Vol .36, No.3, pp. 13– 20, 2004.
[13]      Xu H. Zhu G. Peng H. Wang D. "Adaptive fuzzy switching filter for images corrupted by impulse noise". Pattern Recognition Letters; Vol .25, No.16, pp. 57–63, 2010.
[14]      Alajlan N, Kamela M, Jernigan E. "Detail preserving impulsive noise removal. Signal Processing": Image Communication; Vol. 19 pp.993–100, 2009.
[15]      Yüksel ME, Ba¸ stürk A, Be¸ sdok E. "Detail-preserving restoration of impulse noise corrupted images by a switching median filter guided by a simple neuro-fuzzy network". EURASIP Journal of Applied Signal Processing, Vol. 16, No. 24, pp. 51–61, 2004.
[16]      Gupta S, Kaur L, Chauhan R C, Saxena S C; " A versatile technique for visual enhancement of medical ultrasound images"; Digital Signal Processing; Vol.17, No.3, pp. 542-560, 2007.
 
Computational Intelligence in Electrical Engineering
Volume 5, Issue 3
October 2014
Pages 47-54

Files

History

  • Receive Date: 14 June 2016
  • Revise Date: 07 February 2018
  • Accept Date: 14 June 2016

Share

How to cite

Statistics