7、医疗领域的机器学习：图像与生物信号处理

医疗领域的机器学习：图像与生物信号处理

1. 医疗图像去噪滤波技术

1.1 线性滤波 - 维纳滤波器

维纳滤波本质上需要了解原始信号和噪声的频谱信息，并且只有在底层信号平滑时才能取得良好效果。通过该滤波器可以获得所需的频率响应。

1.2 非线性滤波

1.2.1 中值滤波器

中值滤波通过获取窗口内像素的中值，然后用该中值替换窗口内的每个像素值来实现。常用的窗口大小有 3×3、5×5 或 7×7。中值滤波器是一种稳健的滤波器，常用于图像处理中以提供平滑效果。其优点是对异常值不太敏感，因此可以在不降低图像清晰度的情况下去除它们。

1.3 变换域滤波

变换域滤波根据基本函数的选择分为两类：非数据自适应变换和数据自适应变换。

1.3.1 非数据自适应变换

• 空间频率滤波 ：使用快速傅里叶变换（FFT）实现低通滤波器。首先确定一个截止频率，然后通过调整频域滤波器，将噪声分量与有用信号去相关，从而去除噪声。然而，FFT 的一个缺点是会丢失信息，导致低通滤波后图像边缘模糊。
• 小波域滤波 ：通常采用小波域滤波是因为噪声图像的离散小波变换（DWT）只有少数系数具有高信噪比（SNR）。在去除低 SNR 系数后，使用逆 DWT 重建图像，从而去除或过滤噪声。基于小波的方法的一个优点是它们可以同时实现时间和频率定位。

1.3.2 数据自适应变换

使用独立成分分析（ICA）的去噪方法可以减少非高斯噪声，