医用超声图像后处理：斑点噪声抑制算法详解

引言

超声成像因其无创、实时、低成本等优点，已成为临床诊断不可或缺的工具。然而，超声图像固有的斑点噪声（Speckle Noise）严重影响了图像的对比度和分辨率，给医生的判读和后续的计算机辅助诊断带来了巨大挑战。斑点噪声抑制算法作为医用超声图像后处理的核心环节，其目标是在抑制噪声的同时，尽可能保留图像的边缘、纹理等细节信息。本文将系统性地介绍斑点噪声的成因、数学模型，并深入剖析几种经典的斑点噪声抑制算法及其在临床中的应用。

斑点噪声的成因与数学模型

1. 物理成因

超声斑点噪声并非由设备缺陷或外部干扰产生，而是超声波与生物组织内大量随机分布的亚波长散射体（如细胞、胶原纤维等）相互作用的结果。当超声波束遇到这些散射体时，会发生相干散射，这些散射波在接收探头处发生相干叠加（Constructive and Destructive Interference），形成图像中随机分布的、颗粒状的亮暗斑点。

2. 数学模型

在超声成像的射频（RF）信号域或包络检测后的B模式图像域，斑点噪声通常被建模为乘性噪声。其数学模型可表示为：

[
I(x, y) = R(x, y) \cdot S(x, y)
]

其中：

• ( I(x, y) )：观测到的超声图像。
• ( R(x, y) )：理想的、无噪声的组织反射率图像（待恢复的真实信号）。
• ( S(x, y) )：斑点噪声分量，通常假设其服从瑞利分布（Rayleigh Distribution）或伽马分布（Gamma Distribution）。

这种乘性特性意味着噪声的强度与局部信号强度相关，在信号强的区域（如器官边缘）噪声也更明显，这给去噪带来了比加性噪声更大的挑战。

</