ブロックを使用した音響顕微鏡検査における画像のノイズ除去

Scientific Reports volume 13、記事番号: 13212 (2023) この記事を引用

191 アクセス

2 オルトメトリック

メトリクスの詳細

走査型音響顕微鏡 (SAM) は、生体医学イメージング、非破壊検査、および材料研究で表面および表面下の構造を視覚化するために使用される、ラベルフリーのイメージング技術です。 超音波イメージングでは、画像内のノイズによりコントラスト、エッジとテクスチャの詳細、解像度が低下し、後処理アルゴリズムに悪影響を及ぼす可能性があります。 スキャン画像のノイズを低減するために、音響ボリューム信号のノイズを除去するために使用できる 4D ブロックマッチング (BM4D) フィルターを採用しました。 BM4D フィルターは、ハードしきい値処理およびウィナー フィルター ステージを備えた変換ドメイン フィルター技術を利用します。 提案されたアルゴリズムは、ノイズのある画像に適用された場合、他の従来のフィルタリング方法 (ガウス フィルター、メディアン フィルター、ウィナー フィルター) と比較して、最も適切なノイズ除去された出力を生成します。 BM4D フィルター処理された画像からの出力は、さまざまな従来のフィルターを使用したノイズ レベルと比較されました。 フィルタリングされた画像は、構造類似性指数マトリックス (SSIM) やピーク信号対雑音比 (PSNR) などの指標を使用して定性的に分析されました。 定性的分析と定量的分析を組み合わせた結果、BM4D 技術が SAM からの音響イメージングのノイズ除去に最も適した方法であることが実証されました。 提案されたブロック マッチング フィルターは、特に信号対雑音比が低いシナリオにおいて、音響または光音響画像のノイズ除去の分野に新しい道を開きます。

材料科学から生物学まで、走査型音響顕微鏡 (SAM) は、研究対象の材料に損傷を与えることなく、表面および内部構造を画像化し、非破壊評価を実施するためにうまく使用されています1。 SAM は、物体を検査する機能に加えて、検査された品目に関する十分かつ正確な定量的情報を提供することもできます。 SAM は、材料の非侵襲的な微細構造特性評価、圧電材料の表面および表面下の機械的特性の特性評価、複合構造の構造健全性モニタリング (SHM)、ポリマーの表面欠陥の検出など、幅広い機能を備えています。回路、および異方性フォノンの伝播を調べます2、3、4、5、6、7。 SAM の技術は、マイクロエレクトロニクスおよび半導体産業の熾烈な競争と要求の厳しい市場において非常に重要です。 これは、フリップ チップ パッケージの金型設計を強化する上で重要な役割を果たし、チップ スケール パッケージや 3D IC スタックなどの小型アセンブリに伴う複雑さを管理できるため、業界で重要なツールとなっています8、9。

特定の周波数で SAM によって生成される画像の解像度は、音響ビームのスポット サイズに加えて、ピクセル サイズまたは x 方向と y 方向の両方のスキャン ステップに依存します。 超音波イメージングでは信号を収集して画像を生成するため、得られる画像の品質はノイズの存在によって大きく影響されます。 ノイズのある画像はコントラストの低下、エッジやテクスチャの詳細の損失、解像度の低下を引き起こす可能性があり、後処理アルゴリズムのパフォーマンスに悪影響を与える可能性があります。 したがって、ノイズは音響イメージングにおける信号品質の低下に寄与する可能性がある重要な要因です。 取得した画像からパラメータを正確に決定するには、効果的な画像ノイズ除去が必要です。

超音波イメージングにおける最も一般的かつ未解決の課題は、複数の発生源からのノイズの存在であり、多くの場合、画質の大幅な低下につながります。 その結果、音響コントラストが重要な役割を果たす敏感なアプリケーションでは、ノイズの存在が非常に制限されます。 環境、電子ノイズ、伝送ケーブルなどのさまざまな要因により、画像は取得、圧縮、伝送中に必然的にノイズの影響を受け、画像情報の歪みや損失が発生します。 これらの要因により、画像はデータ取得中にランダム ノイズが発生しやすくなります。 ノイズ除去技術は、空間ドメイン方式と変換ドメイン方式という 2 つの主なカテゴリに分類できます。 空間フィルタはさらに線形フィルタと非線形フィルタに分類でき、ノイズは周波数スペクトルのより高い領域を占める傾向があるため、画像のピクセル値にローパス フィルタリングを使用します10。 空間フィルターはノイズをある程度軽減する傾向がありますが、多くの場合、画像がぼやけてしまいます。 対照的に、変換ドメインは、この問題に取り組むために、ウェーブレット分解や経験的モード分解 (EMD) などのさまざまな信号処理技術を提供します11。 さらに、主成分分析 (PCA) や特異値分解 (SVD) などの方法を信号の再構成と復元に使用できます 12、13。 波パケット分解と EMD を組み合わせたハイブリッド手法を利用して信号のノイズを除去し、その後サポート ベクター マシン (SVM) を使用してさまざまなエンジン故障を分類しました。 別の研究では、Fan et al. は、さまざまなレベルのノイズを含むシミュレートされたデータを使用して実証された、主成分分析 (PCA) に基づくノイズ除去アルゴリズムを発表しました。 フアンら。 これは、主成分分析 (PCA) と特異値分解 (SVD) を組み合わせて、干渉の特異値を特定する C-PCASVD と呼ばれる手法を導入しました 16。 この技術により、ノイズ除去された自由誘導減衰 (FID) とノイズ低減の効率との間の最適なバランスが可能になります。