医用超声图像斑点噪声抑制算法：原理、方法与应用

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，超声图像普遍存在的斑点噪声（Speckle Noise）严重影响了图像质量，降低了诊断的准确性和可靠性。斑点噪声是由超声回波信号在空间上的相干干涉形成的，表现为图像上随机分布的颗粒状纹理。它不仅掩盖了组织的细微结构，还降低了图像的对比度，给病灶的检测、分割和定量分析带来了巨大挑战。因此，斑点噪声抑制是超声图像处理领域的关键预处理步骤，对于提升图像质量、辅助医生诊断具有至关重要的意义。本文旨在系统性地介绍医用超声图像斑点噪声抑制算法。我们将从斑点噪声的物理成因与数学模型出发，梳理经典与现代的滤波算法，分析其优缺点，并探讨深度学习等新兴技术在斑点噪声抑制中的应用。最后，我们将展望该领域的未来发展趋势。1. 斑点噪声的成因与数学模型1.1 物理成因医用超声成像基于脉冲回波原理。当超声波束在生物组织中传播时，会遇到大量尺寸小于波长的散射子（如细胞、胶原纤维等）。这些散射子反射的回波信号在接收探头处发生相干叠加（干涉），形成随机的增强和减弱区域，在图像上即表现为斑点噪声。因此，斑点噪声是超声成像系统固有的物理现象，而非电子噪声。1.2 数学模型斑点噪声通常被建模为乘性噪声。在超声图像中，观测到的图像强度 (I(x, y)) 可以表示为：[I(x, y) = R(x, y) \cdot S(x, y) + \eta(x, y)]其中：(R(x, y)) 是理想的、无噪声的组织反射系数图像（即我们期望恢复的信号）。(S(x, y)) 是斑点噪声分量，通常服从瑞利分布、伽马分布或K分布。(\eta(x, y)) 是加性噪声（如电子热噪声），通常影响较小。在大多数算法研究中，常忽略加性噪声项，将模型简化为乘性噪声模型：(I = R \cdot S)。抑制斑点噪声的核