4. 超声图像去噪工程

超声图像中的斑点噪声（speckle）并不是普通意义上的加性高斯噪声，而是相干成像系统在组织散射体回波叠加后形成的乘性干涉图样。若把观测图像记为 I(x,y)，无噪声反射率记为 R(x,y)，则常见模型可写为 I = R · N，其中 N 服从均值为 1 的某种分布（如 Gamma 或 Rayleigh 强度形式）。工程上常先做对数变换 log I = log R + log N，把乘性噪声转为加性噪声，再送入后续滤波器。这一步决定了去噪算法是在“乘性域”还是“加性域”设计，也直接影响参数标定方式。

去噪目标不是把图像磨平，而是在抑制斑点的同时保留解剖边界、钙化斑强反射、囊肿后方回声增强等诊断信息。因此评价指标不能只看 PSNR，还要看边缘保持指数、对比度噪声比（CNR）以及医生对病灶边界的判读信心。工程实现中通常把去噪放在波束合成之后、扫描转换之前或之后，位置不同，噪声统计和实时性约束也不同。

空域滤波：从 Lee 到 SRAD 的工程实现

Lee 滤波是最经典的乘性斑点抑制方法。设局部窗口内均值 μ、方差 σ²，噪声方差 σ_n²，则权重 k = 1 − σ_n²/σ²，输出 R̂ = μ + k(I − μ)。当局部方差接近噪声方差时，k→0，强平滑；当局部存在边缘使方差远大于噪声方差时，k→1，保留原值。工程实现时窗口常取 5×5 或 7×7，σ_n² 需按系统增益和 TGC 分段标定，否则暗区过平滑、亮区去噪不足。

Frost 滤波把权重改为指数形式 w = exp(−K·σ²/μ²·d)，其中 d 为像素到中心距离，K 为衰减系数。它对边缘的响应比 Lee 更柔和，但 K 需要按探头频率和成像深度调。SRAD（Speckle Reducing Anisotropic Diffusion）则用偏微分方程迭代，扩散系数由局部统计的瞬时变异系数决定，能在均匀区强扩散、在边缘处停止扩散。其迭代次数和步长是实时性关键：例如 512×512 图像、20 次迭代、每步 4 邻域更新，在 CPU 上约 8～15 ms，可满足 30 fps；若迭代 50 次则可能超过 30 ms，需要 GPU 或降采样。

变换域去噪：小波阈值与 BM3D 的取舍

小波去噪先对对数域图像做 3～4 层分解，对高频子带采用软阈值 T = σ_n√(2 log N) 收缩系数，再逆变换。软阈值连续、无振铃，但会轻微削弱弱边缘；硬阈值保边好但易产生伪吉布斯条纹。BayesShrink 按子带自适应估计阈值，在超声斑点抑制中比统一阈值更稳。工程上常用 sym4 或 db4 小波，分解 3 层，阈值按子带噪声标准差估计，计算量约 5～12 ms（512×512，CPU）。

BM3D 通过块匹配把相似块堆叠成 3D 组，在变换域协同滤波，再聚合回原图。它对斑点噪声抑制和纹理保持都很好，但单帧耗时可达 100 ms 以上，通常只用于离线增强或高端工作站。若要在实时链路中使用，可改为“引导图 + 快速 BM3D”或只在关键帧触发。

深度学习去噪：数据、网络与部署约束

深度学习去噪的核心是学习从含噪图像到干净图像（或干净图像到噪声残差）的映射。训练数据可用仿真斑点叠加到干净超声图，也可用同一位置多帧平均作为“近似干净”标签，或用 Noise2Noise、Noise2Self 等自监督策略避免成对数据。网络可选 DnCNN（残差学习、17 层）、U-Net（编码-解码+跳连）、或轻量 MobileNet 风格结构。损失函数常用 L1 + 感知损失 + 边缘一致性项，防止过平滑。

部署时需关注：输入尺寸是否固定、是否支持 batch=1、是否量化到 FP16/INT8、GPU 显存与功耗。以 512×512 单帧为例，U-Net 在桌面 GPU 上约 10～20 ms，在嵌入式 GPU 上可能 40～80 ms，需通过剪枝、蒸馏或只在 ROI 区域推理来满足 30 fps。若延迟仍不达标，可退化为“空域滤波 + 轻量 CNN 残差修正”的混合方案。

参数示例与判断依据

判断去噪是否达标，可先看均匀区标准差是否下降 40%～60%，再看囊肿边界 CNR 是否提升 1.5 dB 以上，最后确认强反射界面没有出现振铃或模糊。若帧率低于 25 fps 或操作延迟超过 80 ms，应降低迭代次数、缩小窗口或改用轻量模型。去噪不是越强越好，而是在诊断信息、图像质量和实时性之间找到可接受的平衡点。