Débruitage d'image en microscopie acoustique à l'aide de blocs

Rapports scientifiques volume 13, Numéro d'article : 13212 (2023) Citer cet article

191 Accès

2 Altmétrique

Détails des métriques

La microscopie acoustique à balayage (SAM) est une technique d'imagerie sans étiquette utilisée dans l'imagerie biomédicale, les tests non destructifs et la recherche sur les matériaux pour visualiser les structures de surface et souterraines. En imagerie ultrasonique, les bruits dans les images peuvent réduire le contraste, les détails des bords et des textures, ainsi que la résolution, ce qui a un impact négatif sur les algorithmes de post-traitement. Pour réduire les bruits dans l'image numérisée, nous avons utilisé un filtre de correspondance de blocs 4D (BM4D) qui peut être utilisé pour débruiter les signaux volumétriques acoustiques. Le filtre BM4D utilise la technique de filtrage de domaine de transformation avec des étapes de seuillage strict et de filtrage Wiener. L'algorithme proposé produit la sortie débruitée la plus appropriée par rapport aux autres méthodes de filtrage conventionnelles (filtre gaussien, filtre médian et filtre Wiener) lorsqu'il est appliqué à des images bruitées. La sortie des images filtrées par BM4D a été comparée au niveau de bruit avec différents filtres conventionnels. Les images filtrées ont été analysées qualitativement à l'aide de mesures telles que la matrice d'indice de similarité structurelle (SSIM) et le rapport signal/bruit de pointe (PSNR). L'analyse combinée qualitative et quantitative démontre que la technique BM4D est la méthode la plus adaptée pour débruiter l'imagerie acoustique du SAM. Le filtre d'adaptation de blocs proposé ouvre une nouvelle voie dans le domaine du débruitage d'images acoustiques ou photoacoustiques, en particulier dans les scénarios avec de mauvais rapports signal/bruit.

De la science des matériaux à la biologie, les microscopes acoustiques à balayage (SAM) ont été utilisés avec succès pour imager les structures de surface et intérieures et effectuer des évaluations non destructives sans endommager le matériau étudié1. En plus de sa capacité à inspecter les objets, le SAM est également capable de fournir des informations quantitatives détaillées et précises sur les éléments inspectés. SAM dispose d'une gamme de capacités, notamment la caractérisation microstructurale non invasive des matériaux, la caractérisation des propriétés mécaniques des matériaux piézoélectriques sur leurs surfaces et sous la surface, la surveillance de l'état structurel (SHM) des structures composites, la détection des défauts de surface sur les polymères. circuits et examiner la propagation des phonons anisotropes2,3,4,5,6,7. La technologie SAM revêt une importance significative sur les marchés extrêmement compétitifs et exigeants de l’industrie de la microélectronique et des semi-conducteurs. Il joue un rôle essentiel dans l'amélioration de la conception des moules pour les boîtiers flip-chip et est capable de gérer les subtilités impliquées dans les assemblages miniaturisés, tels que les boîtiers à l'échelle d'une puce et les piles de circuits intégrés 3D, ce qui en fait un outil important dans l'industrie8, 9.

La résolution des images générées par SAM à une fréquence spécifique dépend de la taille des pixels ou des étapes de balayage dans les directions x et y, ainsi que de la taille du spot du faisceau acoustique. En imagerie ultrasonore, les images sont générées en collectant des signaux, et la qualité des images résultantes peut être grandement affectée par la présence de bruit. Les images comportant du bruit peuvent entraîner une diminution du contraste, une perte des détails des bords et des textures et une résolution réduite, ce qui peut affecter négativement les performances de l'algorithme de post-traitement. Le bruit est donc un facteur critique pouvant contribuer au déclin de la qualité du signal en imagerie acoustique. La détermination précise des paramètres à partir des images acquises dépend d’un débruitage efficace de l’image.

Le défi le plus répandu et non résolu en imagerie échographique est la présence de bruit provenant de sources multiples, qui entraîne souvent une dégradation significative de la qualité de l’image. Par conséquent, la présence de bruit devient très limitante dans les applications sensibles où le contraste acoustique joue un rôle crucial. En raison de divers facteurs tels que l'environnement, le bruit électronique, le câble de transmission, etc., les images sont inévitablement soumises à du bruit lors de l'acquisition, de la compression et de la transmission, ce qui entraîne une distorsion et une perte des informations sur l'image. Ces facteurs rendent les images vulnérables à la manifestation de bruit aléatoire lors de l'acquisition des données. Les techniques de débruitage peuvent être classées en deux catégories principales : les méthodes du domaine spatial et les méthodes du domaine de transformation. Les filtres spatiaux peuvent être divisés en filtres linéaires et non linéaires, et ils utilisent un filtrage passe-bas sur les valeurs de pixels d'une image puisque le bruit a tendance à occuper des régions plus élevées dans le spectre de fréquences10. Les filtres spatiaux ont tendance à réduire le bruit dans une certaine mesure, mais ils conduisent souvent à un flou de l'image. En revanche, le domaine des transformations propose diverses techniques de traitement du signal, telles que la décomposition en ondelettes et la décomposition en mode empirique (EMD), pour résoudre ce problème11. De plus, des méthodes telles que l'analyse en composantes principales (ACP) et la décomposition en valeurs singulières (SVD) peuvent être utilisées pour la reconstruction et la restauration du signal12, 13. Wang et al. a utilisé une méthode hybride combinant la décomposition des paquets d'ondes et l'EMD pour débruiter les signaux et a ensuite classé divers défauts de moteur à l'aide de la machine à vecteurs de support (SVM)14. Dans une étude distincte, Fan et al. a présenté un algorithme de débruitage basé sur l'analyse en composantes principales (ACP) qui a été démontré à l'aide de données simulées avec différents niveaux de bruit15. Huan et coll. a introduit une méthode appelée C-PCASVD, qui combine l'analyse en composantes principales (ACP) et la décomposition en valeurs singulières (SVD) pour identifier les valeurs singulières des interférences16. Cette technique permet un équilibre optimal entre la décroissance d'induction libre (FID) débruitée et l'efficacité de la réduction du bruit.