數據分析是大數據處理最重要的一步，以超聲圖像數據為例，通過從圖像數據中提取潛在診斷信息，探尋影像與細胞、蛋白、基因及分子間的內在規律，并進行處理和歸類。

圖像是人工智能應用于超聲醫學領域的重要對象，圖像預處理的目的是優化或簡化圖像。常見的圖像預處理方法包括灰度化、二值化、圖像增強、去噪處理及圖像增廣等。

01

灰度化與二值化

在預處理過程中，首先應該將圖像進行灰度化或者二值化。大部分彩色圖像的顯示運用的是“RGB色彩模式”，由紅、綠、藍三個通道的顏色組成，顯示幕上的任何一個顏色都可以由一組RGB值來記錄和表達，三種顏色的亮度范圍均介于0（黑色）到255（白色）之間。

灰度指的是只包含亮度信息的特征，灰度化即指將彩色圖像調整為R=G=B，則該彩色圖像僅表示一種灰度顏色，此時三個通道的值都是相等的，每個像素只需要一個字節進行灰度值存放即可有效節約內存。

新生兒顱腦RGB圖像灰度化處理前后（圖像上方橫條）

A.原始顱腦超聲圖像；B.灰度化處理后顱腦超聲圖像

而圖像的二值化是指將圖像上的像素點的灰度值設置為0（黑色）或255（白色），以致整幅圖像只有黑、白兩種顏色，但仍能反映圖像的整體和局部特征。

圖像灰度化或二值化后，圖像數據量及存儲空間減小，有利于后續進一步處理。

02

圖像增強

圖像增強是一種常用的圖像處理技術，其目的是增強圖像中全局或局部有用的信息，以增強圖像特征，有效改善圖像質量，提高圖像清晰度。

利用Rivent軟件圖像增強處理前后對比圖

A.原始肝臟超聲圖像；B.軟件增強處理后肝臟超聲圖像

常用的圖像增強方法包括以下幾種：

01

灰度變換：灰度變換不改變原圖像中像素的位置，只是逐一改變像素點的灰度值。灰度變化增強有以下幾種實現方法：線性灰度增強、分段線性灰度增強、對數函數非線性變換、指數函數非線性變換。

02

直方圖修正：圖像的灰度直方圖反映了圖像中每種灰度級出現的頻率，代表了該圖像中具有每種灰度的像素個數。直方圖均衡化是最常用的直方圖修正方法，也是增強圖像對比度的常用方法。該方法是根據輸入圖像的灰度頻率分布來確定其對應的輸出灰度值，擴展圖像的動態范圍，從而提升圖像對比度。

03

圖像平滑：是一種區域增強算法，在圖像產生、傳輸和復制過程中，常常會受到噪聲干擾或發生數據丟失，導致圖像質量下降，通過圖像平滑技術，可降低這些問題對后續各種圖像處理效果的影響。常用的圖像平滑技術包括均值濾波、中值濾波及高斯濾波等。

04

圖像銳化：一般圖像的能量主要集中在低頻段，噪聲及圖像邊緣信息主要在高頻段，圖像在濾波去噪后，圖像邊緣會變得模糊，圖像銳化處理可使圖像的邊緣和細節更加清晰。常用的圖像銳化方法包括高通濾波和空域微分法。

圖甲狀腺結節的灰度變化及圖像平滑處理

A.原始圖像；B.灰度化后的圖；C.在圖B基礎上進行線性灰度增強；D.在圖B基礎上進行圖像平滑

03

去噪處理

圖像在生成和傳輸過程中常常受到各種噪聲的干擾而影響圖像質量，不利于后續的特征提取及模式識別，因此要對圖像進行去噪處理。常見的噪聲包括：高斯噪聲、泊松噪聲、椒鹽噪聲及斑點噪聲。

圖 高斯噪聲中值濾波前后對比

A.原始顱腦超聲圖像；B.中值濾波處理后超聲圖像

噪聲消除方法可分為空間域濾波和頻率域濾波兩種類型。

空間域濾波通過窗口或卷積核進行，其基于相鄰像素的空間關系，通過改變單個像素的灰度值實現部分特征的強調，或去除圖像中一些不需要的部分。

頻率域濾波是對圖像進行傅里葉變換，然后對變換后頻率域圖像中的頻譜進行濾波。低通濾波在頻率域中保留圖像的低頻部分，抑制高頻部分，其作用是過濾掉高頻中的噪聲，減少圖像的像素突變部分，以起到圖像平滑處理的作用。但這種處理方法同時也會導致圖像變得模糊。高通濾波則保留圖像的高頻部分而削弱低頻部分，起到圖像銳化作用，突顯圖像的邊界。

04

圖像增廣

圖像增廣技術是指通過對原始圖像進行一系列隨機改變，產生一些相似但又不同于原始圖像的訓練樣本，從而擴大訓練集的規模。

這種技術的應用主要是基于神經網絡模型的構建對大量數據集的迫切需求。為了提高模型的泛化能力以及魯棒性，避免出現過擬合，通常要求輸入足夠的數據量，但是有效醫學大數據的獲取較為困難，此時可采用圖像增廣技術，對數據進行變換擴充。

圖像增廣的另一作用是通過隨機改變原始圖像，以降低模型對某些特征的依賴，從而提高模型的泛化能力。

圖像增廣的方法主要有以下幾種：

01

圖像轉置：將原始圖像進行順時針或者逆時針按照隨機角度進行旋轉，改變圖像的朝向。

02

水平鏡像：將原始圖像沿水平或者垂直方向進行翻轉。

03

圖像旋轉：以圖像某一點為中心旋轉一定的角度形成一幅新的圖像的過程。

04

圖像平移：將原始圖像沿著x軸或y軸方向移動，平移范圍和平移步長可隨機或人為定義，從而改變圖像內容的位置。

05

縮放變換：按照一定的比例放大或縮小圖像。

06

裁剪：隨機從圖像中選取一部分，然后將這部分圖像裁剪出來，然后再調整至原圖像大小。

07

尺度變換：將原始圖像按照指定的尺度因子進行放大或縮小；或利用指定的尺度因子改變圖像內容的大小或模糊程度。

08

對比度變換：改變圖像的飽和度，增加光照變化。

09

噪聲擾動：過擬合通常發生在神經網絡學習高頻特征時。為優化圖像，需要隨機加入噪聲數據來消除高頻特征，一般采用對圖像中每個像素的RGB值進行隨機擾動的方式實現。

圖像增廣的常見方法

A：原始圖像；B：圖像轉置；C：水平鏡像；D：圖像旋轉；E：圖像平移

總而言之，圖像預處理的目的是優化或簡化圖像，以便于后續圖像處理（如圖像分割、邊緣檢測、特征提取等）及數據分析。圖像預處理方法需要根據研究目標進行適當選擇，使得圖像信息最大限度簡化為無關和有關信息，增強有關信息的檢測能力，提高分析準確性。