А.А. Егорчев1, Д.Е. Чикрин2

1,2 Казанский (Приволжский) федеральный университет (г. Казань, Россия)

1 anton@egorchev.ru, 2 dmltry.kfu@ya.ru

Постановка проблемы. Ультразвуковые изображения в составе информационно-измерительных систем формируются как результат измерительного преобразования и цифровой обработки. При этом спекл-шум, имеющий преимущественно мультипликативную природу, снижает информативность данных, ухудшает визуализацию границ и мелких структур и повышает неопределённость при последующем извлечении параметров объекта. Классические методы подавления шума, такие как медианная и гауссовская фильтрация, обеспечивают частичное снижение уровня помех, однако они приводят к потере диагностически значимых деталей изображения, что ограничивает их применение в клинической практике. В последние годы глубокие нейросетевые модели, в том числе свёрточные автоэнкодеры, продемонстрировали высокую эффективность в задачах восстановления изображений благодаря способности обучаться нелинейным отображениям между зашумлёнными и чистыми данными.

Цель. Разработать метод подавления спекл-шума на ультразвуковых изображениях на основе свёрточного автоэнкодера, реализующего нелинейное восстановление с сохранением диагностически значимых деталей за счёт многослойной свёрточной архитектуры, а также метод пороговой классификации уровня помех по совокупности объективных метрик качества.

Результаты. Разработана архитектура свёрточного автоэнкодера, адаптированная для работы с ультразвуковыми изображениями. Отмечено, что модель обучена на открытом наборе данных ультразвуковых исследований молочной железы, содержащем 780 изображений трёх диагностических категорий. Оценена эффективность подхода с использованием объективных метрик качества восстановления (PSNR, SSIM, MSE, ERGAS, UQI). Дополнительно разработан метод пороговой классификации уровня помех по совокупности указанных показателей, позволяющий разделять изображения на категории слабого, среднего и сильного шума. На основе экспериментальных результатов на выборке из 1000 изображений подтверждена эффективность метода при среднем времени обработки 63 мс на изображение. Достигнуты значения PSNR = 34,6 дБ и SSIM = 0,91 на репрезентативных примерах.

Практическая значимость. Предложенный подход может применяться для контроля качества измерительного канала и адаптивной настройки алгоритмов обработки в информационно-измерительных системах медицинского назначения, а также для предварительной обработки ультразвуковых данных при автоматизированном анализе изображений.

Егорчев А.А., Чикрин Д.Е. Методы оценки и подавления спекл-шума в ультразвуковой измерительной информации при помощи нейросетевых технологий // Успехи современной радиоэлектроники. 2026. Т. 80. № 9. С. 16−25. DOI: https://doi.org/10.18127/j20700784-202609-02

1. Ortiz S.H.C., Chiu T., Fox M.D. Ultrasound image enhancement: A review // Biomedical Signal Processing and Control. 2012. V. 7. № 5. P. 419–428.
2. Michailovich O.V., Tannenbaum A. Despeckling of medical ultrasound images // IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2006. V. 53. № 1. P. 64–78.
3. Gour I., Rajput K. Machine learning approaches for image denoising and artifact removal in medical imaging // International Journal of Intelligent Systems and Applications in Engineering. 2023. V. 11. № 7s. P. 65–71.
4. Mishra D., Chaudhury S., Sarkar M., Soin A.S. Ultrasound image enhancement using structure oriented adversarial network // IEEE Signal Processing Letters. 2018. V. 25. № 9. P. 1349–1353.
5. Karaoğlu O.R., Bilge H.Ş., Uluer I. Removal of speckle noises from ultrasound images using five different deep learning networks // Engineering Science and Technology, an International Journal. 2022. V. 29. P. 101030.
6. Gondara L.Y. Medical image denoising using convolutional denoising autoencoders // Proceedings of IEEE International Conference on Data Mining Workshops (ICDMW). 2016. P. 241–246.
7. Lee W.H., Ozger M., Challita U., Sung K.W. Noise learning-based denoising autoencoder // IEEE Communications Letters. 2021. V. 25. № 9. P. 2983–2987.
8. Oliveira-Saraiva D., Mendes J., Leote J., Gonzalez F.A., Garcia N., Ferreira H.A., Matela N. Make it less complex: Autoencoder for speckle noise removal – application to breast and lung ultrasound // Journal of Imaging. 2023. V. 9. № 10. Art. 217.
9. Al-Dhabyani W., Gomaa M., Khaled H., Fahmy A. Dataset of breast ultrasound images // Data in Brief. 2020. V. 28. Art. 104863.
10. Kokil P., Sudharson S. Despeckling of clinical ultrasound images using deep residual learning // Computer Methods and Programs in Biomedicine. 2020. V. 194. P. 105477.
11. Wang Z. Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. 2004. V. 13. № 4. P. 604–606.
12. Javan F.D., Samadzadegan F., Mehravar S., Toosi A., Khatami R., Stein A. A review of image fusion techniques for pan-sharpening of high-resolution satellite imagery // ISPRS Journal of Photogrammetry and Remote Sensing. 2021. V. 171. P. 101–117.
13. Irmak E., Ertas A.H. A review of robust image enhancement algorithms and their applications // Proceedings of IEEE Smart Energy Grid Engineering (SEGE). 2016. P. 371–375.
14. Kompanets I., Zalyapin N. Methods and devices of speckle-noise suppression // Optical and Photonic Journal. 2020. V. 10. № 10. P. 219–250.
15. Bianco V., Memmolo P., Leo M., Montresor S., Distante C., Paturzo M., Ferraro P. Strategies for reducing speckle noise in digital holography // Light: Science and Applications. 2018. V. 7. № 1. Art. 48.
16. Пономаренко Н.Н., Лукин В.В., Зеленский А.А., Егиазарян К.О., Астола Я., Карли М., Баттисти Ф. TID2008 – A database for evaluation of full-reference visual quality assessment metrics // Успехи современной радиоэлектроники. 2009. № 10. С. 30–45.
17. Непомнящий О.В., Мохаммед М.И. Ал.С., Хайдукова В.Н., Шарова А.В., Александрович К.С. Convolutional neural network and deep machine learning for ECG analysis // Успехи современной радиоэлектроники. 2024. Т. 78. № 3. С. 70–77. DOI: 10.18127/j20700784-202403-08.