دانلود رایگان مقاله تصویربرداری فراصوتی با میدان دید گسترده مبتنی بر برآورد حرکت با استفاده از موجک چهارگانه

چکیده

          در این مقاله، ما یک الگوریتم تصویربرداری جدید با میدان دید گسترده (EFOV) مبتنی بر ویژگی تخمین حرکت را در حوزه موجک چهارگانه (QWD) برای تصاویر فراصوتی پیشنهاد نموده ایم. در مرحله اول، از حوزه فضایی، فریم های ویدئویی فراصوتی را به QWD تبدیل می کنیم، و نتیجه متشکل از یک دامنه و سه فاز می شود. در مرحله دوم، از دو فاز برای تخمین حرکت دنباله تصویر به دست آمده از قضیه شیفت استفاده می نماییم. ما می توانیم بردارهای حرکت را از طریق تخمین حرکت، و تصاویر ثبت شده را از طریق تبدیل تکراری (تخصیص مقادیر متناهی به کمیت های متناهی) بردارهای حرکت به دست آوریم. ثالثا، از فاز سوم با دامنه برای ترکیب تصاویر ثبت شده استفاده می نماییم. در نهایت، تصویر منظره ای فراصوتی با استفاده از ترکیب تصاویر ثبت شده به دست می آید. در نهایت، آزمایش هایی به منظور بررسی عملکرد الگوریتم پیشنهادی انجام می شوند. 

1. مقدمه

          تصویربرداری فراصوتی، یک بخش اساسی از تکنولوژی تصویربرداری پزشکی است. با توجه به قابلیت حمل و ویژگی های امن، زمان واقعی و غیر تهاجمی آن، تصویربرداری فراصوتی، با طیف گسترده ای از کاربردها برای مقاصد تشخیص پزشکی بیشتر و بیشتر محبوب شده است. 

           ایراد تصویر فراصوتی سنتی این است که میدان دید آزمونگر برای بافت محلی به واسطه عرض از مبدل که به طور معمول 4 تا 6 سانتی متر است، محدود و باریک می باشد، به طوری که دید کلی به حوزه ضایعه را نمی توان مشاهده نمود [1]. آزمونگر باید تصاویر متعدد را به طور جداگانه تجزیه و تحلیل نماید، هنگامی که ساختارهای بزرگتر و یا طویل تر، مانند بافت ماهیچه بازو و شریان کاروتید در حال تصویربرداری هستند. این به طور فزاینده با توسعه سریع فراصوتی و تکنولوژی کامپیوتر [2] برجسته شده است. روش فراصوتی EFOV، تصاویر منظره ای با کیفیت بالا را در زمان واقعی توسط اسکن دستی با پروب های استاندارد فراهم می کند که برای اولین بار در سال 1997 معرفی شد [3]. تصویربرداری EFOV نوعی از کاربرد پزشکی تکه تکه به هم پیوستن تصویر است که تصویربرداری منظره ای نامیده می شود. EFOV، یک سری از تصاویر فراصوتی دو بعدی را توسط مبدل در حال حرکت در امتداد آناتومی بیمار تقریبا در همان سطح صفحه به دست می آورد. مجموعه ای از تصاویر متعدد به یک تصویر منظره ای طولانی با یک میدان دید بسیار گسترده با استفاده از تکنیک های پردازش تصویر به هم پیوند می یابند. 

          مراحل مهم در روش EFOV، ثبت و ترکیب تصویر می باشند. ثبت تصویر، هسته تصویربرداری فراصوتی EFOV است که انتقال و چرخش نسبی را بین تصاویر مجاور می یابد و دقت EFOV را تعیین می نماید، در عین حال اثر ترکیب تصویر از نزدیک با کیفیت بصری مرتبط است. ابتدا، Weng حرکت پروب را با استفاده از روش ثبت تصویر در نوشته ها [3] اندازه گیری نمود. فریم فعلی (که به عنوان تصویر متحرک نامیده می شود) به بلوک های غیرمتداخل تقسیم می شود. هر بلوک تصویر با موقعیت های متناظر در فریم قبلی تطبیق داده می شود (که به عنوان تصویر ثابت نامیده می شود) و نتیجه، دستیابی به یک گروه از بردارهای حرکتی موضعی است. سپس یک تکنیک بهینه سازی حداقل مربعات برای استخراج حرکت کلی بردارهای حرکتی موضعی مورد استفاده می شود. برخی از نوشته ها [4، 5]، بهبود معینی را بر اساس این نوشته [3] ساختند. 

          موجک چهارگانه برای اولین بار توسط T. Bulow در پایان نامه دکترای خود [6] معرفی شد و یک ابزار قدرتمند و کارآمد برای تجزیه و تحلیل چند مقیاسی از تصاویر است که توجهات زیادی را به خود معطوف نموده است. در این نوشته [7]، W. Chan از بانک فیلتر درخت-دوگان با پیچیدگی خطی محاسباتی برای محاسبه QWT استفاده می کند و اختلاف بین یک جفت از تصاویر را تخمین می زند. 

          در این مقاله، ما یک چارچوب EFOV فراصوتی جدید را در پرتو آخرین توسعه QWT ارائه می دهیم. زمانی که ویدئو با توجه به نرخ فریم بالای تصویربرداری فراصوتی که باعث جابه جایی بین دو فریم متوالی می شود، کوچک باشد، توالی تصویر فراصوتی می تواند در نظر گرفته شود. ایده اولیه این مقاله، دستیابی به EFOV از نقطه نظر برآورد حرکت، به جای ثبت با استفاده از توسعه در ویدیو یا تخمین حرکت جریان نوری است. بنابراین این الگوریتم از روش جستجو برای بلوک های تطبیق یافته بر مبنای بلوک ها و/یا نقاط وارسی ویژگی اجتناب می نماید. الگوریتم ما از دو فاز در نتیجه QWT برای تصاویر ورودی به منظور برآورد حرکت فریم های ویدئویی توسط قضیه جابجایی و فاز سوم با دامنه برای ترکیب تصاویر ثبت شده استفاده می نماید. 

          بقیه این مقاله به شرح زیر سازماندهی شده است. بخش دوم، معرفی مختصر الگوریتم کلی EFOV موجود را ارائه می دهد. دانش پایه در مورد QWT و چارچوب برآورد حرکت مبتنی بر QWT در بخش سوم توضیح داده می شوند. علاوه بر این، این الگوریتم پیشنهادی نیز در جزئیات در این بخش شرح داده می شود.  در بخش چهارم، نتایج تجربی و تجزیه و تحلیل مربوطه ارائه شده است. در نهایت، ما نتیجه گیری را با کار آینده در بخش پنجم انجام می دهیم.

2. مروری بر EFOV

          به عنوان یک شکل از تکه های تصویر، اگر چه روش های مختلف برای هر مرحله وجود دارند، EFOV دارای چهار گام اساسی [8]، نشان داده شده در شکل 1 است. ما آنها را به روشی کلی به شرح زیر توصیف می نماییم.

1) بدست آوردن تصاویر: کسب تصویر مختلف سبب تصاویر ورودی مختلف می شود، و نتیجه متصل کردن تکه ها را تحت تاثیر قرار می دهد.  با توجه به پس زمینه کاربردی، ما وسایل خاص تهیه تصویر را انتخاب می کنیم. 

2) تطبیق تصاویر: یافتن موقعیت متناظر از قالب ها یا نقاط مورد نظر در تصویری که باید (به عنوان تصویر S اشاره شده اند) از تصویر مرجع (تصویر R) به هم متصل شود.

3) همترازی تصاویر: محاسبه پارامترهای تبدیل هندسی از تصویر S به تصویر R. و سپس متحد نمودن دو مختصات تصویر و تعیین مناطق متداخل با هم برای به دست آوردن تصویر همتراز شده که به عنوان تصویر A نامیده می شود.

4) ترکیب تصاویر: اتخاذ یک استراتژی ترکیب خاصی برای تصویر برای از بین بردن شکاف ها و مناطق ناپیوسته با توجه به این واقعیت که درزهایی در مناطق قطعه قطعه و مات یا اعوجاج در مناطق متداخل وجود دارند. 

           به طور معمول، مرحله 2 و 3 با هم  به عنوان ثبت تصویر انجام می شوند. 

Abstract

          In this paper, we propose a novel extended-field-ofview (EFOV) imaging algorithm based on the property of motion estimation in quaternion wavelet domain (QWD) for ultrasound images. Firstly, transform the ultrasound video frames into QWD from spatial domain, and the result consists of one magnitude and three phases. Secondly, use two phases to estimate the motion of image sequence derived from the shift theorem. We can obtain the motion vectors through motion estimation, and the registered images through the affine transform of the motion vectors. Thirdly, use the third phase with the magnitude to fuse the registered images. Finally, the ultrasound panoramic image is achieved by means of fusing the registered images. Finally, experiments are conducted to verify the performances of the proposed algorithm.

I. INTRODUCTION

         Ultrasound imaging is an essential part of medical imaging technology. Due to its portability and the safe, real-time, noninvasive characteristics, ultrasound imaging has been more and more popular with a wide range of applications for medical diagnosis purposes. 

          The drawback of traditional ultrasound image is that the view field of examiner for local tissue is limited and narrow by the width of the transducer which is typically 4 to 6 cm such that the global view of the whole lesion area cannot been observed [1] The examiner has to analyze multiple images separately when larger or longer structures, like the arm muscle tissue and the carotid artery, are imaged. This is increasingly prominent with the rapid development of ultrasound and computer technology [2]. Ultrasound EFOV technique provides high-quality panoramic images in real time by experts’ free-hand scanning with standard probes, first introduced in 1997 [3]. EFOV imaging is a sort of medical application of image mosaics, which is also called panoramic imaging. EFOV obtains a series of two-dimensional ultrasound images by transducers moving along the patient’s anatomy in almost the same plane surface. The series of multiple images is spliced into a consecutive and long panoramic image with an extremely wide field of view using image processing techniques.

          The important steps in EFOV technique are image registration and fusion. The image registration is the core of ultrasound EFOV imaging which finds the relative translation and rotation between adjacent images and determines the accuracy of EFOV, meanwhile the effect of image fusing is closely relevant with visual quality. Weng first measured the probe motion by means of using an image registration technique in the literature [3]. The current frame (termed as moving image) is divided into non-overlapping blocks. Each image block is matched to the corresponding positions in the previous frame (termed as fixed image) and the result is to obtain a group of local motion vectors. Then a least-square optimization technique is used to derive the global motion from the local motion vectors. Some literatures [4, 5] made a certain improvement on the basis of the literature [3].

           Quaternion wavelet was first introduced by T. Bulow in his Ph.D dissertation [6] and provides a powerful and efficient tool for multiscale analysis of images, which has been paid increasing attentions. In the literature [7], W. Chan makes use of the dual-tree filter bank with linear computational complexity to compute QWT and estimates the disparity between a pair of images.

           In this paper, we present a novel ultrasound EFOV framework in the light of the QWT’s latest development. Ultrasonic image sequence can be regarded as video owing to high frame rate of ultrasound imaging which make the displacement between two successive frames is small. The initial idea of the paper is to achieve EFOV from a motion estimation point of view rather than image registration taking advantage of the development in video or optical flow motion estimation. Thus the algorithm avoids the procedure of searching for matched blocks on the basis of sifting feature points and/or blocks. Our algorithm uses two phases in the result of QWT for the input images to estimate the motion of video frames by shift theorem and the third phase with magnitude to fuse the registered images.

         The rest of this paper is organized as follows. Section II presents a brief introduction to existing general algorithm of EFOV. The basic knowledge on QWT and motion estimation framework based on QWT are explained in Section III. Besides, the proposed algorithm is also described in detail in this section. In Section IV, the experimental results and corresponding analyses are given. Finally, we draw the conclusions with future work in Section V.

II. OVERVIEW OF EFOV

       As a form of image mosaics, although there are different techniques for each step, EFOV has four essential steps [8], shown in figure 1. We describe them in a general way as follows.

1) Acquire the images: Different image acquisition will cause different input images , and affect splicing result. According to the application background, we choose specific image acquisition means.

2) Match the images: Find the corresponding postions of templates or points of interest in the image to be spliced (denoted as image S) from reference image (image R).

3) Align the images: Calculate geometric transformation parameters from the image S to the image R. And then uniform two image coordinates and determine the overlapping regions to obtain the aligned image, denoted as Image A.

4) Fuse the images: Adopt a certain fusion stategy for image A to eliminate the gaps and discontinuous regions owing to the fact that there are seams in the sliced regions and blurring or distoration in the overlapping regions.

       Typically, step 2) and 3) are carried out together, known as image registration.

چکیده

1. مقدمه

2. مروری بر EFOV

3. شرح الگوریتم QWT مبتنی بر EFOV

A. مبانی

B. الگوریتم پیشنهادی

4. نتایج و بحث های تجربی

5. نتیجه گیری ها

منابع

Abstract

1. INTRODUCTION

2. OVERVIEW OF EFOV

3. DESCRIPTION OF QWT BASED EFOV ALGORITHM

A. Basics

B. Proposed algorithm

4. EXPERIMRENTAL RESULTS AND DISCUSSIONS

5. CONCLUSIONS

REFERENCES