Imagenes de Ultrasonido

Martin Bianculli
Andres Duffour
Facultad de Ingenieria
Universidad ed la Rep`
ublica
18 de julio de 2005

Indice general
1. Introducci`
on

2. Ruido en ultrasonido
2.1. Naturaleza del ruido . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Speckle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3
3
3

3. Filtrado del Ruido

3.1. Algoritmo Sticks . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Speckle Removing Anisotropic Diffusion . . . . . . . . . . . . . .
3.3. Local statistic filter . . . . . . . . . . . . . . . . . . . . . . . . . .

5
5
5
6

4. Segmentaci
on
4.1. Seeded Region Growing . . . . . . . . . . . . . . . . . . . . . . .
4.1.1. Seeded region growing algorith (Modified) . . . . . . . . .
4.2. Robust B-Spline Snakes for Ultrasound Images Segmentation . .

8
8
9
10

Captulo 1

Introducci`
on
El trabajo consinste en una introducci`on a las t`ecnicas de filtrado y segmentaci`on para im`agenes de ultrasonido (US). Se comentan algunas t`ecnicas de
filtrado y de mejoramiento de contraste, as como se realizo un acercamiento al
tema de la segmentaci`on, mostrando dos tecnicas de segmentaci`on, cada una de
las cuales pertenece a uno de dos de los grandes grupos de segmentaci`on: Region
Growing y deformaci`on de contorno (Snake).

Captulo 2

Ruido en ultrasonido
Las imagenes de ultrasonido presentan un especial tipo de ruido llamado
Speckle[1]. El cual degrada significativamente la calidad de la imagen, aumentando de esta forma la dificultad de discriminar detalles finos en las imagenes durante un examen de diagnostico. Tambien dificulta el procesado de las imagenes,
tales como la segmentacion y la deteccion de bordes.

2.1.

Naturaleza del ruido

Los diferentes fenomenos de degradacion de una imagen de ultrasonidos son:

Fenomeno de absorcion: cuando la onda atraviesa la interface entre dos
medios diferentes, la mayor parte es reflejada. La parte porsterior a esta
zona resulta entonces oscura, debido a que la amplitud de las ondas de
ultrasonido que atraviesan son debiles.
Fenomeno de reflexion: los rayos son reflejados varias veces antes de regresar al tansductor. Estos rayos no son tomados en cuenta en el modelo
de la se
nal.
Fenomeno de difusion: los objetos que tienen tama
no similar a la longitud
de onda, de la onda de ultrasonido, oscilan emitiendo en todas las direcciones la onda incidente. Esta transmision, es la responsable del ruido
llamado speckle, indudablemente uno de los mas importantes factores de
degradacion de la se
nal.

2.2.

Speckle

Speckle es el termino utilizado para describir el patron granular presente en

las imagenes de ultrasonido. Considerado como un tipo de ruido multiplicativo
a la se
nal. Existen varias aproximaciones para describir el Speckle[2] [3]. Varios
investigadores de imagenes de ultrasonido, usan un analisis estocastico para
3

describir las caracteristicas del Speckle. Debido a que es formado por la suma
de ecos de se
nales, generadas aleatoreamente en los centros de difusion, cada uno
proviendo una candidad aleatorea de energia. Esta demostrado que la estadistica
del brillo en una imagen de ultrasonido depende mayormente del numero de
scatterers per resolution cell, y en la distribucion espacial de los puntos de
difusion. Tres modelos pueden ser identificados. El primero es para cuando hay
un presencia grande de puntos de difusion, modelado por la distribucion de
Rayleigh. El segundo es para cuando agregamos la componente en fase, entonces
el brillo puede ser estimado por la distribucion de Rician. El tercero es cuando
existe un bajo numero de puntos efectivos de difusion, en este casa es modelado
por la distribuicon K.

Captulo 3

Filtrado del Ruido

A continuacion se explican algunas tecnicas utilizadas en el filtrado del ruido
Speckle:

3.1.

Algoritmo Sticks

Ha sido mostrado que el n

umero de falsos bordes puede ser reducido al
modelar los bordes en imagenes de ultrasonido como un proceso de lineas[4].
Utilizando segmentos de lineas en diferentes orientaciones angulares y eligiendo
para cada punto la orientacion que mas probablemente represente a la linea en
la imagen, es posible reducir significativamente el ruido speckle y enfatizar la
informacion de bordes.
El algoritmo consiste en considerar una ventana cuadrada de tama
no N xN
en la imagen. Para cada ventana, hay 2N 2 lineas (ninguna interpolacion
es llevada a cabo) que pasan por el pixel central, con cada linea conteniendo
exactamente N pixeles. Para cada una de estas lineas, se calcula la suma de
los pixels a lo largo de la misma. El segmento con el mayor valor de la suma
realizada anteriormente es seleccionado, siendo el valor del pixel en la imagen
de salida el maximo de las 2N 2 sumas. Este paso se repite para todos los
pixels de la imagen.
Luego de realizado el realzamiento del contraste mediante sticks, reduccion
de ruido adicional es necesario antes de realizar la deteccion de bordes. Una
forma de realizar el filtrado es aplicando Speckle Removing Anisotropic Diffusion

3.2.

Speckle Removing Anisotropic Diffusion

Se propone un metodo[5] para apalear los efectos del ruido speckle. Dada
una imagen de intensidad Io (x, y), con potencia finita y sin ningun valor 0 en
el soporte de la imagen, la imagen de salida I(x, y; t) evoluciona de acuerdo

a la siguiente PDE (Partial Differential Equation):

I(x, y; t)/t = div[c(q)I(x, y; t)]
I(x, y; 0) = I0 (x, y), (I(x, y; t)/n)| = 0
donde representa el borede de , n es la normal saliente de y
c(q) =

1
1 + [q 2 (x, y; t) q02 (t)]/[q02 (t)(1 + q02 (t))]

En las ecuaciones anteriores, q(x, y; t) es el coeficiente instantaneo de variacion,

determinado por
s
(1/2)(|I|/I)2 (1/42 )(2 I/I)2
q(x, y; t) =
[1 + (1/4)(2 I/I)]2
y q0 (t) es la funcion de escala del speckle. Se llama SRAD PDE a la PDE
presentada anteriormente.

3.3.

Local statistic filter

Este filtrado[6] utilizaestadsticas locales de primer orden, como la media y

la varianza. El principio de trabajo consiste en realizar promedios ponderados,
utilizando estadisticas de sub regiones para estimar las medidas estadisticas
sobre la ventana deslizante (tipicamente 3x3, 5x5, 7x7) de los pixeles. Estos
filtros asumen que el ruido speckle es multiplicativo, de la forma
gi,j = fi,j ni,j
donde gi,j representa el pixel ruidoso en el medio de la ventana, fi,j el pixel libre
de ruido y ni,j es un pixel de ruido con distribucion de Rayleigh. Se recorre la
imagen y calcula
fi,j = gi,j + ki,j [gi,j gi,j ]
donde fi,j es el nuevo valor del pixel estimado, gi,j es el valor de la media local
de una region de N1xN2, ki,j es un factor de ponderacion, k [0..1] e i,j son
las cordenadas absolutas del pixel. El factor ki,j es una funcion de la estadistica
local de la vantana deslizante, y se calcula como
ki,j = [1 gi,j 2 2 ]/[ 2 (1 n2 )]
2 ] y n2 representan la varianza y la varianza del ruido en la respectiva ventana
deslizante. Un valor de 1 para k, indica que el pixel quedara con el mismo valor,
y un valor de 0 reemplaza el el valor del pixel por la media local gi,j

Figura 3.1: Aplicacion del detector de bordes de canny a las imagenes original
y filtrada, utilizando el algoritmo sticks con una ventana de tama
no 3

Captulo 4

Segmentaci
on
Para la segmentacion de imagenes de intensidad se mencionaran 4 acercamientos clasicos:

4.1.

Seeded Region Growing

Seeded region alorithm[7] (SRG) es un acercamiento basado en postulado del

crecimiento de regiones donde el criterio de pixeles similares es aplicado. Para
comenzar, el usuario escoje un conjunto peque
no de pixels, segun su propio
criterio de cual region desea segmentar. Se comienza con el n
umero de semillas
que han sido agrupados en n grupos: A1,A2,..., An. En cada paso del algoritmo
se adihere un pixel a alguno de los conjuntos Ai, i=1,..,n. Considerese el estado
de los conjuntos Ai despues de m pasos. Sea T el conjunto de lo pixels que
no fueron asignados que estan en la frontera de al menos una des regiones, lo
cual significa que T es el conjunto de todos los pixels que estan en el borde
de las regiones formadas hasta el momento. Sea N(x)el conjunto de los vecinos
inmediatos del pixel x. En nuestro caso se considera conectividad 8 (para cada
pixel sus 8 vecinos). Cada paso del algoritmo toma un pixel del conjunto T y
lo adihere a una de las regiones que intersectan N(x), en realidad lo etiqueta
con el identificador de la region. Luego se examinan todos los pixeles de N(x)
y se calculan las distancias a las regiones vecinas. La distancia es simplemente
cuan lejos el valor de gris del pixel esta del valor medio de gris de la region.
Simplemente es
(x) = g(x) meanAi(x) [g(y)]
Si se tiene que el pixel en consideracion tiene mas de una region vecina, entonces
es necesario decidir a cual asignarsela. Entonces se calcula la distancia a todas
las regiones, y se lo adihere a la region con la menor disancia. Existe otra
solucion: etiquetar el pixel como un pixel de frontera. En la implementacion del
SRG una lista ordenada simple (simple sorted list) es la estructura de datos
para almacenar los elementos del conjunto T. A esa lista se la llama Sequentialli
Sorted List (SSL). En dicha lista, solamente las coordenadas de los pixels y las
8

distancias delta a las regiones son guardadas. Cuando se considera un nuevo

pixel, se lo toma del SSL y se lo procesa. El pseudocodifo de la SRG es el
siguiente:
Region Growing: While SSL is not empty do
Remove first pixel y from the SSL.
Test the neighbors of this point:
if all neighbors of y which are already labeled (other than boundary label)
have the same label than
Set y to this label.
Update running mean of corresponding region.
Add neighbors of y which are neither already set nor already in the
SSL to the SSL according to their value of delta
else
Flag y with the boundary label.

4.1.1.

Seeded region growing algorith (Modified)

Se decidio implemetar dicho algoritmo, con algunas diferecnias. Se partio de

un punto inicial, semilla, y se comenzo a crecer en 16 direcciones distintas. Para
cada punto en una direccion dada, se calculo la media del nivel de gris en un
entorno dado (una ventana de 9x9), y se la compara con una media inicial, la
cual es calculada en un entorno de la semilla. Si se supera dicho umbral, el punto
es marcado como borde, de lo contrario se sigue creciendo. Una vez obtenidos los
puntos borde, se procede a interpolar los punto mediante una elipse, o mediante
rectas. Este algoritmo, si bien segmenta siempre con la misma forma, es posible
mejorarlo utilizando, por ejemplo, el algoritmo B-splines snake. Se supone que
la forma de los elementos a segmentar son aproximadamente elpticos. En la
practica, este algoritmo resulto ser muy sensible al punto inicial (semilla).
El algoritmo es muy dependiente del punto inicial (semilla), esto se debe a
que las direcciones que se recorren dependen del punto inicial. Las imagene para
las cuales el algoritmo funciona mejor, son aquellas en las cuales las cavidades
a segmentar son lo m`as uniformes posible (en el valor de gris), no dependiendo
tanto de si el borde de la cavidad est`a completamente definido. De lo contrario
el algoritmo puede confundir puntos interiores como bordes.

4.2.

Robust B-Spline Snakes for Ultrasound Images Segmentation

Un B-spline snake[8] una minimizacion de energia de spline, parametrizada

por los puntos de control. La idea principal de este metodo consite en, partiendo
de una curva original, ir deformando la misma paulatinamete hasta alcanzar el
borde. La energia consite en dos terminos: la energia interna y la energia externa.
La primera afecta la suavidad de la curva, mientras que la segunda atrae a la
serpiente hacia las caractersticas de la imagen.

10

Figura 4.1: Imagenes Segmentadas por el algoritmo Seeded region growing algorith (Modified)

11

Figura 4.2: Imagenes Segmentadas por el algoritmo Seeded region growing algorith (Modified)

12

snake.jpg

Figura 4.3: Ejemplo del algoritmo snake

13

Bibliografa
[1] Robert F.Wagner, Stephen W.Smith, John M.Sandrik and Hector Lopez,
Statistic of Speckle in Ultrasound B-Scans IEEE Trans. Son. Ultrason. ,
VOL. 30, NO. 3,pp. 156-163 May 2000
[2] Elisabeth Brusseau, Chris L. de Korte, Frits Mastik, Johannes Schaar, and
Anton F.W. van der Steen Fully Automatic Luminal Contour Segmentation
in Intracoronary Ultrasound Imaging - A Statisticla Approach IEEE Trans.
Med. Imag, VOL. 23, NO. 5,pp. 555-566 May 2004
[3] V. Dutt Statistical Analysis of ultrasound echo envelope Ph.D. dissertation,
The Mayo Graduate School, 1995.
[4] Sayana D. Pathak, Vikram Chalana, David R. Haynor and Yongmin Kim,
Edge-Guided Boundary Delineation in Prostate Ultrasound image IEEE
Trans. Med. Imag, VOL. 19, NO. 12,pp. 1211-1219 Dec 2000
[5] Yongjian Yu and Scott T. Acton, Speckle Reducing Anisotropic Diffusion
IEEE Trans. Med. Imag, VOL. 11, NO. 11,pp. 1261-1270 Nov 2002
[6] C. Loizou, C. Christodoulou, C. S. Pattichis, R. Istepanian, M. Pantziaris,
Speckle REduction In Ultrasound Images Of Atherosclerotic Carotid Plaque
[7] Slobodan Ilic, Branislav Ulicny Seeded region Growing Method for Image
Segmentation Computer Science Departament, The Swiss Federal Institute
of Technology
[8] C Tauber, H Batatia, G Morin, A Ayache Robust B-Spline Snakes for Ultrasound Images Segmentation IRIT-ENSEEIHT, Toulouse, France

14