选择增强的优化空域测度的乳房X线照片图像

抽象

医疗成像系统通常需要图像增强，如提高图像对比度，提供医疗专业人士提供最佳的视觉图像质量。这有助于异常检测和诊断。大多数的增强算法是需要很多参数选择迭代过程。可怜的或非最佳参数选择可能对增强进程产生负面影响。在本文中，用于测量图像质量的定量的度量用于选择用于增强算法的最优操作参数。各种评估的图像增强质量措施，将各项措施的分析，即基础上提出以来，对图像内容和图像属性。我们也为系统选择医学图像的图像质量的正确措施提供指导。

1.介绍

乳房X射线摄影是使用低剂量X射线拍照乳房组织非侵入性成像。乳房X线照相的结果是乳房X线照片，它被用作乳腺癌的筛查试验。乳腺X线摄影是能够检测乳腺癌的早期，只要两年就可以感觉到肿块前的有价值的筛选程序。乳房X光摄影也被用来帮助澄清一个可疑的乳房肿块是否是囊肿或肿瘤和肿瘤是否更可能是良性或恶性。乳房X线照相射门乳腺癌有关的时间的5％至10％，但速率可高达的妇女的乳房组织致密30％[1]。x线硬件的局限性和高密度乳腺组织将影响乳腺x线照片的质量，从而导致乳腺癌的误诊。增强乳腺x线照片的对比度可以显著提高乳腺x线照相术的效果[2，3]。

提高图像质素的方法有很多[2-7]，其允许观察者感知更好图像中的期望的信息。这些技术往往有参数来控制进程，并增强它的结果。为了优化这些参数，反馈需要在增强过程中，这是图像质量，被称为增强或图像质量量度的度量的定量评估。已经有基于对比度的性能足够的措施有不同的定义[8-10]。基于对比度的增强方法可分为基于空间或基于变换的域度量[10]。基于在图像的不同部分的像素的亮度，计算空间域中的措施，但在变换域中措施的工作基于所述离散余弦变换（DCT），离散傅里叶变换（DFT）或离散小波变换（DWT）图片 [11]。大部分空域措施是韦伯 - 费希纳定律的衍生物，迈克尔逊对比度度量[12]，或对比度（CR），使用统计分析，以更好地评价图像的对比度增强。EME，EMEE，AME，AMEE，LogAME，和LogAMEE是这些空间域措施的例子[4，五，13]。

的空间域措施性能高度地依赖于图像属性，如图像内容，照明，均匀与不均匀的背景，纹理，周期性图案，随机性，单个对多个目标，噪声和失真。增强方法的措施的选择可能会影响图像增强算法的结果。如果一项措施的目的不是要正确处理特定的图像属性，这项措施将不会为正确评估该特定图像的对比度增强提供了一个很好的指标。

在本文中，我们将介绍图像性能和图像质量的常用空间域措施之间的关系。我们也将提供如何选择增强的基于图像的属性以及如何选择由这些措施所使用的最佳操作参数的测量指南。最后，建议是为了确定哪些空间域量度最适合于评估乳房X线照片图像的质量。

2.材料和方法

当增强的数字图像，有必要进行定量测量，以评估增强过程的视觉表现。在迭代自动增强算法，增强措施的一个目标是提供一个统计，以帮助优化增强算法的参数。这些措施是基于图像的亮度对比统计和一般有两个组成部分。首先是比较两个亮度分量之间的中心（一个符号和它的背景例如，）的差异。如果视觉系统保持恒定的适应状态，较大的亮度差产生较大的亮度差（亮度较高对比度）。任何亮度对比度统计量的第二组分是一些措施描述眼睛的自适应状态。产生上的背景昏暗的大亮度的亮度将产生更亮的背景上的更小的亮度差异是由于视觉适应。为了捕捉这种行为，亮度对比统计的设计师通常划分描述由描述的平均亮度到眼睛适应分母的亮度变化的分子： 在各种流行的统计亮度对比的主要反映出一个事实，即眼睛的适配状态是由各种不同的刺激模式不同的影响。在下面的章节中，我们提供用于评估对比的根本措施。

2.1。图像对比度的基本措施

2.1.1。迈克尔逊对比度

这种方法通常用于亮部和暗部特征相等并覆盖相似面积的模式，例如周期模式，如正弦光栅。迈克尔逊对比被定义为 与和代表最高和最低亮度。分母表示的亮度的平均值的两倍[12]。对于简单的周期性图案(如纹理)，没有大面积的均匀亮度控制用户的亮度适应。C的分母_中号是最大和最小亮度的两倍的均值;即，适应亮度估计是基于空间的平均亮度。

2.1.2。Weber-Fechner法律

韦伯-费希纳定律暗示了物理亮度和主观感知亮度之间的对数关系。韦伯对比测量假设一个大的均匀亮度背景和一个小的测试目标: 哪里目标的亮度和是直接相邻的背景的亮度。它通常在小的特征是存在于较大的均匀背景的情况下使用;即，平均亮度近似等于背景亮度。当背景比目标打火机是负的，范围从零到-1。当背景比目标更暗是积极的，从零到潜在的非常大的数字范围。

在平均亮度近似等于背景亮度的情况下，使用韦伯-费希纳测量。

2.1.3。对比度

这项措施经常被应用到线性或对数形式的刺激类： 这一措施，，由于分子不是目标与背景的亮度差，所以在数学上无法与韦伯对比。

2.1.4。熵

熵是根据一幅图像的直方图计算出来的，并且是在整幅图像上计算出来的。它是一个标量值，代表强度图像的熵，是一种随机的统计度量，可用于描述图像的纹理: 哪里是一个图像段的直方图计数。

由于熵是在整幅图像上计算的，重新排列图像的片段不会改变这种对比度测量。在图像的一个部分增加对比度，在另一个部分减少对比度，可能会产生与原始图像相似的熵。

2.2。复杂对比测量

这些措施是基于具有额外的优化参数基本对比度的措施。由于对比度的基本措施是图像内容高度敏感和噪声，周期性，纹理，随机性，均匀的背景，和目标尺寸等属性，通常是一个在一个新的质量度量的两个基本措施组合可以扩展这个新的应用复杂的措施。图像内容应当目视检查，以选择最优的量度。数字1显示不同图像属性的示例。

2.2.1。电磁辐射

让一个图像被分成块;EME定义为 哪里和图像的最大值和最小值是否在块中。如在定义（4），对于每个块（）在（)块，对比度为 如果(将图像分成一个块)，该方法将返回与对比度相似的结果： 将图像分成块将把复杂的图像转换成简单的块，假设每个块只有一个目标原来是及背景(）进行。

EME增强测度适用于具有以下特性的图像:（一世）不复杂的段（CR属性）;（ⅱ）片段的统一背景(韦伯产权);（ⅲ）分段小目标(韦伯产权);（ⅳ）片段中的非周期模式(韦伯性质);(v)片段的随机性很小甚至没有(度量上没有熵)。

该EME措施将不会对这些属性的图像一个不错的选择：（一世）的图像或具有大的块尺寸（CR属性）的复杂图像中复杂的片段;（ⅱ）在每个段或具有大的段大小（韦伯属性）图像不均匀背景图像;（ⅲ）大的目标中的段的方式，该段被等分为高和低亮度的区域;该属性还延伸到周期性图案和图像的随机纹理（韦伯属性）。

2.2.2。EMEE

让一个图像被分成块;所述EMEE被定义为 与熵相似(五），对于每个块图像的比值 表示如果块被归一化，则该块中的强度级别的数量如果。对于每个块，对比率被定义为（7）;因此EMEE量度屈服于 因此，EMEE是每个块的对比度的熵按比例缩小的,，平均在整个图像上。这种关联使得增强适合于具有以下属性的图像的EMEE量度：（一世）不复杂的段（CR属性）;（ⅱ）片段中的非周期模式(韦伯性质);（ⅲ）能够处理纹理中的随机性(因为与EME相比增加了熵);（ⅳ）使用较大的“”参数将有助于通过强调熵项来处理图像纹理更多的随机性。

EMEE度量不是一个好的处理方法（一世）具有复杂段的图像或如果选择的段大小太大而无法创建复杂段(CR属性);（ⅱ）周期性图像或高亮度和低亮度在片段中均匀分布的图像(韦伯性质)。

2.2.3。AME

让一个图像被分成块;的AME被定义为 从迈克尔逊对比度的定义（2)我们有 这意味着图像增强的AME度量是每个块的Michelson对比度的平均值，以对数形式，在整个图像上。的AME测量是适合于具有以下属性的图像：（一世）分段的周期模式(迈克尔逊性质);（ⅱ）纹理没有随机性(缺少熵)。

这种方法缺乏分析具有以下属性的图像的能力:（一世）具有均匀的背景（迈克尔逊属性）图像;（ⅱ）大的均匀亮度区域为线段(迈克尔逊特性);（ⅲ）随机性在图像纹理（熵属性）。

2.2.4。AMEE

让一个图像被分成块;AMEE被定义为 使用迈克尔逊对比的定义(2）和熵（五)我们有 与EMEE方法和EME方法的关系相比，AMEE只是AME的熵基度量。换句话说，AMEE是每个块的迈克耳孙定律熵的平均值在整个图像上，通过缩放。

AMEE测量方法适用于具有以下属性的图像:（一世）分段的周期模式(迈克尔逊性质);（ⅱ）没有在大段均匀的亮度（迈克尔逊性）的区域;（ⅲ）能够处理额外的随机纹理(熵)。

AMEE测量对具有以下属性的图像效果不佳:（一世）具有大统一背景的图像(Michelson属性)。

2.2.5。LogAME

让一个图像被分成块;LogAME定义为 这项措施是类似于AME测量，基于迈克尔逊对比对于每个块，以对数形式，在整个图像上。然而，在这一措施的算术运算（*，+和 - ）是由PLIP算术运算代替，,[五]。系数的变化和符号的变化是为了给AME方法提供一个可比较的数字返回。使用日志和PLIP操作将更加强调低亮度区域。

如果我们定义一个使用PLIP操作符的Michelson对比版本 我们可以把LogAME重新写成 所述LogAME措施是适合于具有以下属性的图像：（一世）分段的周期模式(迈克尔逊性质);（ⅱ）与AME不同，LogAME可以更好地处理块内或块之间亮度一致的区域(PLIP属性)。

对于目标亮度和背景亮度差异较小的图像，LogAME的行为与AME相似。

对于具有以下属性的图像，LogAME度量不是增强度量的最佳选择:（一世）与小目标和一个大的背景（迈克尔逊属性）图像;（ⅱ）背景亮度与目标亮度(PLIP属性)差值较小的图像;（ⅲ）纹理具有随机性的图像(熵属性)。

2.2.6。LogAMEE

让一个图像被分成块;LogAMEE的定义为 这项措施是类似于AMEE度量;它是AME的熵基量度，其是平均迈克尔逊法的熵的每个块但是算术运算被PLIP算术运算代替了。使用日志和PLIP操作将更加强调低亮度区域。

结合我们在LogAME和EMEE测量中使用的相同技术，我们得到了 所述LogAMEE措施是适合于具有以下属性的图像：（一世）分段的周期模式(迈克尔逊性质);（ⅱ）不像AMEE，它可以更好地处理与段大均匀的亮度（PLIP属性）区域;（ⅲ）与LogAME相比，它可以处理额外的纹理随机性(熵特性);（ⅳ）用于与目标和背景之间的亮度小的差异的图像，将LogAMEE表现类似于AMEE。

该LogAMEE措施不是与这些资产的图像一个很好的措施：（一世）与小目标和一个大的背景（迈克尔逊属性）图像;（ⅱ）与背景亮度和目标亮度（PLIP属性）之间的小差的图像。

2.3。选择适合乳房X线照片措施

在乳房X线照片图像，乳房旁的大黑色区域不被认为是背景图像（眼的适应状态）;相反，我们认为乳房本身的背景和恶性组织，囊肿和钙化作为目标。因此，图像不包括大统一的背景，这使得电磁辐射和EMEE措施不当质量的措施，使用了这些图像。缺少大的均匀的背景的存在使得迈克尔逊对比度基措施（AME，AMEE，LogAME和LogAMEE）良好候选乳房X线照片。考虑乳房组织的亮度和含异常的区域的亮度之间的差小，所以不推荐使用LogAME和LogAMEE措施，这些措施最好与目标和背景之间的大的亮度差适合的图像。此外，由于在X射线图像的软组织的显示的，乳房X线照片趋向于被纹理化，并且具有在图像的目标区域的随机性相当数量。这个属性与对齐的熵基措施的特性，它可以处理与随机性和纹理更好的图像。因此，在考虑有关乳房X线照片的性质上面的说法，我们建议评估这些图像时使用的图像质量的AMEE措施。

在下一节中，我们将比较这些措施在乳房x线照片数据库中的表现。

3.结果

在我们的研究中，我们使用了“乳房X线照片的微型MIAS数据库”乳房X线照片[14]。为了评估不同测量方法的性能，每个乳房x线照片都使用非锐化掩蔽对比度增强(图2），α-生根，CLAHE和李的增强算法[15，16]。如示图3，增大不清晰的掩模尺度会导致图像对比度增强。我们使用这个量表作为基础真理来研究不同质量措施的表现。由[14用不同的质量标准进行测试。

数字4示出了从图图像的例子3通过使用不同的段大小的AME测量评估。由于比例常数增大，图像将具有更高的对比度。较低AMEE措施也示出了更高的图像对比度。为获得最佳的段大小，像素，在AMEE单调减小表示，该措施被正确地评估图像质量。控制参数在AMEE措施可以帮助更好地解决随机性的图像。在我们的研究中，我们设置了参数到0.1。

要在整个MIAS数据库量化每个质量度量的整体性能[14，我们计算了每个增强图像和每个质量度量之间的Pearson相关性，并对整个数据库进行了平均。MIAS数据库中有322张乳房x线照片[14]和我们介绍了6个增强版本为每个乳房X线照片。用于增强的每个度量，我们平均到1932倍的图像和结果的Pearson相关示于表1。当平均相关值接近1时，表示测量值与增强值一致，负相关表示测量值不能正确评价图像增强值。如表所示1中，AMEE量度显示出通过在图像的超过99.7％正确预测图像增强的最佳性能。

4。结论

像大多数医疗成像系统，乳腺X线摄影需要增强低质量的图像，由于X射线的硬件限制。几乎所有的图像增强处理需要图像质量的可靠的评价与参数选择和增强过程的优化帮助。在这项研究中，我们研究了对使用不同的增强处理乳房X线照片的数据库中的几个图像质量的措施。我们提供我们的最佳图像质量评估及其对这一类的图像参数的建议。

利益冲突

作者宣称没有关于本文的发布利益冲突。

参考

1. R. D.罗森堡，B. C. Yankaskas，L.A。Abraham等人的“用于筛选乳房X线照相性能的基准，”放射学卷。241，没有。1，第55-66，2006年。视图:出版商网站|谷歌学术
2. Z.聪，K.帕内塔和S. Agaian，“人类视觉系统基于乳房X线照片增强和分析，”在第二届国际会议图像处理的理论工具和应用程序（IPTA '10），第229-234页，2010。视图:谷歌学术
3. K.帕内塔，Y.周，S Agaian和H.佳“为乳房X线照片增强非线性模糊掩蔽，”IEEE交易信息技术在生物医学，第15卷，no。2011年第918-928页。视图:出版商网站|谷歌学术
4. S. S. Agaian, B. Silver，和K. A. Panetta， "基于变换系数直方图的图像增强算法使用对比熵，"IEEE图像处理会刊，第16卷，no。3、第741-758页，2007。视图:出版商网站|谷歌学术|MathSciNet
5. 帕内塔、华顿和阿加安，“基于人类视觉系统的图像增强和对数对比度测量，”IEEE系统、人与控制论会刊，B部分:控制论卷。38，没有。1，第174-188，2008。视图:出版商网站|谷歌学术
6. B. Silver, S. Agaian，和K. Panetta，“基于对比度熵的图像增强和对数变换系数直方图移位”，inIEEE国际声学、语音和信号处理会议论文集(ICASSP '05)，第1-5卷语音处理，第633-636页，2005年3月。视图:出版商网站|谷歌学术
7. E. J.沃顿，K. A.帕内塔和S. S. Agaian，“人类视觉为基础的系统的图像增强”，在用于军事和安全应用的移动多媒体/图像处理， S. S. Agaian和S. A. Jassim合编。，第6579卷，2007年4月。视图:出版商网站|谷歌学术
8. G.陈，K.帕内塔和S. Agaian，“没参考彩色图像质量的措施，”在IEEE控制论国际会议论文集(CYBCONF '13)，第243-248页，瑞士洛桑，2013年6月。视图:出版商网站|谷歌学术
9. K.帕内塔，G陈忠和S. Agaian，“没参考彩色图像对比度和质量的措施，”IEEE消费电子学报卷。59，第643-651，2013。视图:出版商网站|谷歌学术
10. A.萨马尼，K.帕内塔和S. Agaian，“变换的增强TDME换安全成像应用域的措施，”在IEEE国际国土安全技术会议论文集(HST '13)，第265-270，2013。视图:谷歌学术
11. S. S. Agaian，K.帕内塔和A. M. Grigoryan的“变换的基于图像增强算法与性能测量，”IEEE图像处理会刊，第10卷，第3期。3、第367-382页，2001年。视图:出版商网站|谷歌学术|数学文摘
12. 答:a .迈克耳逊在光学研究，芝加哥大学出版社，芝加哥，伊利诺伊州，美国，1927年。
13. E.沃顿，K.帕内塔和S. Agaian，“人类视觉为基础的系统相似性度量，”在对系统的IEEE国际会议论文集，人与控制论（SMC 2008），第685-690，新达城，新加坡，2008年10月。视图:出版商网站|谷歌学术
14. j .吮吸乳腺X线照相图像分析学会数字乳房X光检查数据库Exerpta本草，国际会议系列1069，1994年。
15. 李钟森，“利用局部统计进行数字图像增强与噪声滤波”，IEEE模式分析与机器智能会刊卷。2，没有。2，第165-168，1980。视图:谷歌学术
16. r·冈萨雷斯数字图像处理，2007年。

版权

版权所有©2014 Karen Panetta等人这是一篇开放获取的文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。