Blog

Jan 01, 2024

Denoising dell'immagine in microscopia acustica mediante blocco

Scientific Reports volume 13, numero articolo: 13212 (2023) Cita questo articolo 208 Accessi 2 Dettagli sulle metriche alternative La microscopia acustica a scansione (SAM) è una tecnica di imaging senza etichetta utilizzata in

Rapporti scientifici volume 13, numero articolo: 13212 (2023) Citare questo articolo

208 accessi

2 Altmetrico

Dettagli sulle metriche

La microscopia acustica a scansione (SAM) è una tecnica di imaging senza etichetta utilizzata nell'imaging biomedico, nei test non distruttivi e nella ricerca sui materiali per visualizzare strutture superficiali e subsuperficiali. Nell'imaging a ultrasuoni, i rumori nelle immagini possono ridurre il contrasto, i dettagli dei bordi e della trama e la risoluzione, incidendo negativamente sugli algoritmi di post-elaborazione. Per ridurre i rumori nell'immagine scansionata, abbiamo impiegato un filtro di corrispondenza dei blocchi 4D (BM4D) che può essere utilizzato per eliminare il rumore dei segnali volumetrici acustici. Il filtro BM4D utilizza la tecnica di filtraggio del dominio di trasformazione con soglie rigide e fasi di filtraggio Wiener. L'algoritmo proposto produce l'output denoizzato più adatto rispetto ad altri metodi di filtraggio convenzionali (filtro gaussiano, filtro mediano e filtro Wiener) quando applicato a immagini rumorose. L'output delle immagini filtrate con BM4D è stato confrontato con il livello di rumore con diversi filtri convenzionali. Le immagini filtrate sono state analizzate qualitativamente utilizzando parametri quali la matrice dell'indice di similarità strutturale (SSIM) e il rapporto segnale-rumore di picco (PSNR). L'analisi combinata qualitativa e quantitativa dimostra che la tecnica BM4D è il metodo più adatto per denoising dell'immagine acustica dal SAM. Il filtro di corrispondenza dei blocchi proposto apre una nuova strada nel campo della riduzione del rumore delle immagini acustiche o fotoacustiche, in particolare in scenari con rapporti segnale-rumore scarsi.

Dalla scienza dei materiali alla biologia, i microscopi acustici a scansione (SAM) sono stati utilizzati con successo per acquisire immagini della superficie e delle strutture interne e condurre valutazioni non distruttive senza causare danni al materiale studiato1. Oltre alla sua capacità di ispezionare oggetti, il SAM è anche in grado di fornire ampie e precise informazioni quantitative sugli articoli ispezionati. SAM ha una gamma di capacità, tra cui la caratterizzazione microstrutturale non invasiva dei materiali, la caratterizzazione delle proprietà meccaniche dei materiali piezoelettrici sulle loro superfici e nel sottosuolo, il monitoraggio della salute strutturale (SHM) delle strutture composite, il rilevamento di difetti superficiali sui polimeri circuiti ed esaminando la propagazione dei fononi anisotropi2,3,4,5,6,7. La tecnologia SAM riveste un'importanza significativa nei mercati estremamente competitivi ed esigenti delle industrie della microelettronica e dei semiconduttori. Svolge un ruolo fondamentale nel miglioramento della progettazione di stampi per pacchetti flip-chip ed è in grado di gestire le complessità coinvolte negli assemblaggi miniaturizzati, come pacchetti in scala di chip e stack di circuiti integrati 3D, rendendolo uno strumento significativo nel settore8, 9.

La risoluzione delle immagini generate da SAM a una frequenza specifica si basa sulla dimensione dei pixel o sui passaggi di scansione in entrambe le direzioni xey, insieme alla dimensione dello spot del raggio acustico. Nell'imaging a ultrasuoni, le immagini vengono generate raccogliendo segnali e la qualità delle immagini risultanti può essere notevolmente influenzata dalla presenza di rumore. Le immagini con rumore possono causare una riduzione del contrasto, perdita dei dettagli dei bordi e delle texture e una risoluzione ridotta, che possono influire negativamente sulle prestazioni dell'algoritmo di post-elaborazione. Pertanto, il rumore è un fattore critico che può contribuire al declino della qualità del segnale nell’imaging acustico. La determinazione accurata dei parametri dalle immagini acquisite dipende da un efficace denoising delle immagini.

La sfida più diffusa e irrisolta nell’imaging ecografico è la presenza di rumore proveniente da più fonti, che spesso porta a un significativo degrado della qualità dell’immagine. Di conseguenza, la presenza di rumore diventa altamente limitante nelle applicazioni sensibili dove il contrasto acustico gioca un ruolo cruciale. A causa di vari fattori quali l'ambiente, il rumore elettronico, il cavo di trasmissione e altri, le immagini sono inevitabilmente soggette a rumore durante l'acquisizione, la compressione e la trasmissione, con conseguente distorsione e perdita di informazioni sull'immagine. Questi fattori rendono le immagini vulnerabili alla manifestazione di rumore casuale durante l'acquisizione dei dati. Le tecniche di denoising possono essere classificate in due categorie principali: metodi di dominio spaziale e metodi di dominio di trasformazione. I filtri spaziali possono essere ulteriormente suddivisi in filtri lineari e non lineari e utilizzano un filtraggio passa-basso sui valori dei pixel di un'immagine poiché il rumore tende a occupare regioni più elevate nello spettro di frequenze10. I filtri spaziali tendono a ridurre il rumore in una certa misura, ma spesso portano alla sfocatura dell'immagine. Al contrario, il dominio della trasformazione fornisce varie tecniche di elaborazione del segnale, come la decomposizione wavelet e la decomposizione in modalità empirica (EMD), per affrontare questo problema11. Inoltre, metodi come l'analisi delle componenti principali (PCA) e la decomposizione dei valori singolari (SVD) possono essere utilizzati per la ricostruzione e il ripristino del segnale12, 13. Wang et al. ha utilizzato un metodo ibrido che combinava la decomposizione del pacchetto d'onda e l'EMD per eliminare il rumore dei segnali e successivamente ha classificato vari guasti del motore utilizzando la Support Vector Machine (SVM)14. In uno studio separato, Fan et al. hanno presentato un algoritmo di denoising basato sull'analisi delle componenti principali (PCA) dimostrato utilizzando dati simulati con diversi livelli di rumore15. Huan et al. ha introdotto un metodo chiamato C-PCASVD, che combina l'analisi delle componenti principali (PCA) e la decomposizione dei valori singolari (SVD) per identificare i valori singolari dell'interferenza16. Questa tecnica consente un equilibrio ottimale tra il decadimento dell'induzione libera (FID) denoizzato e l'efficienza della riduzione del rumore.