• adaptive design
• denoising
• filtri wavelet
• progettazione adattiva
• rimozione del rumore
• speckle
• ultrasound
• ultrasuoni
• wavelet
• wavelet filters

L’obiettivo della presente tesi è quello della rimozione del rumore speckle dalle immagini ecografiche attraverso lo sviluppo di un algoritmo per la progettazione adattiva dei filtri Wavelet.

L’ecografia suscita particolare interesse nel mondo scientifico grazie alle sue caratteristiche: essa sfrutta le onde ultrasoniche, pertanto è una tecnica di imaging non ionizzante. Inoltre, si tratta di una procedura non invasiva e a basso costo. A fronte dei suddetti aspetti positivi, presenta dei limiti che sono strettamente legati alla qualità delle immagini acquisite, e che quindi possono essere gestiti attraverso degli opportuni algoritmi per la rimozione del rumore o degli eventuali artefatti. In particolare, le immagini a ultrasuoni sono affette dal rumore speckle, che causa una riduzione del rapporto segnale-rumore e del contrasto. Lo speckle è un rumore moltiplicativo e fortemente correlato al segnale, che dà luogo alla tipica texture granulosa delle immagini ecografiche.

In letteratura vi sono numerose ricerche che si concentrano sulla rimozione dello speckle; tale operazione è, infatti, intrinsecamente complicata a causa delle proprietà del rumore speckle, che ne rendono la caratterizzazione particolarmente complessa, ma anche per la necessità di mantenere un buon livello di contrasto nell’immagine. Quest’ultimo rappresenta un elemento fondamentale sia per l’individuazione delle interfacce fra gli organi presenti nell’immagine, sia per il riconoscimento delle strutture che presentano dei valori di densità atipici.

Uno dei metodi che storicamente si è rivelato efficace per la rimozione dello speckle è la trasformata Wavelet: essa permette di ottenere delle immagini meno rumorose con un costo computazionale ridotto, grazie alle sue caratteristiche di sparsità e multi-risoluzione.
In questa tesi è stata approfondita la progettazione dei filtri Wavelet, da inserire in un algoritmo di denoising standard nel dominio trasformato, che si adattino alle caratteristiche dell’immagine. La trasformata Wavelet è infatti tanto più utile per l’analisi dell’immagine nel dominio spazio-frequenza quanto più si adatta al dato; da ciò consegue che una base Wavelet che somiglia di più all’informazione utile presente nell’immagine permette di rimuovere da essa il rumore in maniera più efficace.

Lo sviluppo della tesi si è articolato in tre fasi.
La prima è stata la definizione di due dataset, entrambi costituiti da immagini target e da immagini rumorose di fegato o di rene. Il primo dataset è stato utilizzato all’interno dell’algoritmo sviluppato, al fine di ottenere i filtri Wavelet: si tratta di un dataset di training. Il secondo, invece, è stato utilizzato per la fase di validazione dell’algoritmo. La definizione delle immagini target ha rappresentato un punto critico del lavoro, in quanto in ecografia non esiste un algoritmo che permetta di ottenere delle immagini completamente ripulite dal rumore speckle. In ultima analisi, si è scelto di utilizzare l’algoritmo delle Steerable Pyramids. Per ottenere le immagini rumorose si è scelto di aggiungere alle immagini target il rumore simulato.

La seconda fase è rappresentata dallo sviluppo vero e proprio dell’algoritmo, con la definizione dei parametri e dei metodi implementati. In particolare, esso si basa su un approccio ricorsivo, che adatta i filtri Wavelet al fine di ottenere la massima somiglianza tra l’immagine target e quella rumorosa dopo il filtraggio. Questa è misurata attraverso due indici di qualità, il PSNR e l’Edge Preservation Index, che misurano rispettivamente la conservazione dell’energia globale dell’immagine e la conservazione delle alte frequenze, quindi dei bordi.

Nella terza fase, per la validazione dell’algoritmo quest’ultimo è stato applicato al dataset di training, al fine di ottenere i filtri. Essi sono poi stati applicati all’interno di un algoritmo di denoising standard nel dominio Wavelet al dataset di testing. I risultati sono stati poi confrontati con altri algoritmi per il despeckling dell’immagine.
Infine, è stato effettuato un confronto del despeckling ottenuto sulle immagini originali, quindi caratterizzate dal rumore speckle reale, con i filtri progettati e con le Steerable.

______________________________________________________________________________________________________

The aim of this thesis is to address the issue of speckle noise removal from ultrasound images through the development of an algorithm for adaptive Wavelet filter design.

Ultrasound imaging has garnered significant interest in the scientific community due to its characteristics. It utilizes ultrasonic waves, making it a non-ionizing imaging technique. Additionally, it is a non-invasive and cost-effective procedure. However, despite these positive aspects, ultrasound imaging has limitations that are closely tied to the quality of acquired images. These limitations can be addressed through appropriate algorithms for noise removal or artifact mitigation. In particular, ultrasound images are affected by speckle noise, which results in a reduction of the signal-to-noise ratio and contrast. Speckle noise is a multiplicative and strongly correlated noise that gives rise to the typical granular texture in ultrasound images.

There are numerous studies in the literature focusing on speckle noise removal, which is inherently challenging due to the properties of speckle noise, making its characterization particularly complex. Additionally, there is a need to maintain a good level of contrast in the image. This contrast is crucial for identifying interfaces between organs in the image and recognizing structures with atypical density values.

One of the historically effective methods for speckle noise removal is the Wavelet transform, which allows obtaining less noisy images with reduced computational cost, thanks to its sparsity and multi-resolution characteristics.
This thesis delves into the design of Wavelet filters to be incorporated into a standard denoising algorithm in the transformed domain, adapting them to the image characteristics. The Wavelet transform is particularly useful for analyzing the image in the space-frequency domain when it is well-suited to the data. As a result, a Wavelet basis that closely resembles the relevant information present in the image enables more effective noise removal.

The development of the thesis is divided into three phases. The first phase involves defining two datasets, both consisting of target images and noisy images of the liver or kidney. The first dataset is utilized within the developed algorithm to obtain the Wavelet filters, serving as a training dataset. The second dataset is used for the algorithm validation phase. Defining the target images was a critical aspect of the work since there is no algorithm in ultrasound imaging that can provide completely speckle-free images. Ultimately, the Steerable Pyramids algorithm was chosen. Simulated noise was added to the target images to generate the noisy images.

The second phase encompasses the actual development of the algorithm, including the definition of parameters and implemented methods. In particular, it relies on a recursive approach that adapts the Wavelet filters to achieve the highest similarity between the target and noisy image after filtering. This is measured using two quality indices, the Peak Signal-to-Noise Ratio (PSNR) and the Edge Preservation Index, which respectively measure the preservation of the overall image energy and the preservation of high frequencies, specifically the edges.

Then, for algorithm validation, it was applied to the training dataset to obtain the filters. These filters were then incorporated into a standard denoising algorithm in the Wavelet domain for the testing dataset. The results were subsequently compared with other image despeckling algorithms.
Ultimately, a comparison was made between the despeckling achieved on the original images, characterized by real speckle noise, with the designed filters and with the Steerable Pyramids algorithm.