《Radiography》：A metaheuristics-equipped post-processing model for coronary angiograms
编辑推荐：
本研究提出基于灰色狼优化算法和局部对比质量指数的参数优化模型，自动选择对比受限自适应直方图均衡化（CLAHE）的剪裁极限参数，避免传统方法依赖人工调参或需要大量标注数据的局限性。实验表明，优化后的OCLAHE在PCQI、QRCM、熵等指标上显著优于直方图均衡化、反锐化掩模等传统方法，同时保持图像自然度和低BRISQUE值，有效提升冠状动脉造影图像质量，辅助自动化狭窄检测。
K.Y. Devi | J.S. Bobby | S. Vinurajkumar | V. Venugopal
生物医学工程系，Easwari工程学院，Ramapuram，金奈，泰米尔纳德邦 600089，印度
摘要
引言
对比度限制自适应直方图均衡化（CLAHE）是一种用于提高冠状动脉造影图像质量的后期处理算法。正确调整剪切限（CL）对于获得高质量且无失真的输出结果至关重要。
方法
我们提出了一种参数优化模型，以自动化选择用于冠状动脉造影图像后期处理的CLAHE中的CL值。该模型结合了灰狼优化（GWO）和基于补丁的对比度质量指数（PCQI）作为适应度函数。我们将最优CLAHE（OCLAHE）与现有的图像质量提升方法（包括直方图均衡化（HE）、非锐化掩蔽（USM）、形态学滤波（MF）和Frangi滤波器（FF）进行了比较，评估了增强后图像的主观视觉效果以及通过图像质量评估（IQA）指标测量的客观质量。
结果
与HE、USM、MF和FF相比，OCLAHE产生的输出在PCQI、QRCM和熵值上更高，而在BRISQUE值上更低。
结论
较高的QRCM值表明OCLAHE的输出保留了梯度轮廓，且没有纹理失真；高熵值表示OCLAHE的输出具有较高的信息量和更强的对比度；低BRISQUE值反映了OCLAHE输出的自然外观；高PCQI值则表明OCLAHE的输出具有较高的局部对比度，且没有过度增强/过冲现象。
实践意义
OCLAHE能够放大血管区域与背景之间的强度差异，而不会夸大整个图像的亮度。因此，OCLAHE提升的冠状动脉造影图像质量有助于自动化和主观检测血管狭窄。
引言
冠状动脉造影是一种用于诊断心脏血管树中狭窄情况的成像技术。由于冠状动脉造影包含大量帧，深度学习（DL）模型常被用于血管树分割、狭窄检测以及狭窄严重程度分级等应用。许多用于冠状动脉造影自动分析的DL模型在其预处理阶段采用了对比度限制自适应直方图均衡化（CLAHE）来增强图像对比度。正确选择剪切限（CL）对于获得高质量且无失真的输出结果至关重要。CL是CLAHE中的一个用户定义阈值参数，其值控制着对比度的增强程度和过冲现象。如果CL选择不当，会导致对比度增强不足或过冲，从而影响DL模型在血管树分割、狭窄检测和狭窄分级方面的准确性。由于冠状动脉造影中的帧具有不同的信息内容，因此需要自动化算法来确定适用于每帧的CL值。
文献中有一些方法用于自动化选择图像增强算法的参数。Venugopal等人使用残差网络（ResNet）来预测用于皮肤宏观照片的去噪的对比度指数变换（IECET）的最优参数；类似地，EfficientNet回归器被用来确定用于提高皮肤宏观照片对比度的改进型Sigmoid强度变换的交叉点。Campos等人使用极端梯度提升（XGBoost）标量回归，根据从CLAHE输出中提取的28个特征来预测自然场景图像的最优CL值。这些特征包括从局部二值模式（LBP）和灰度共生矩阵（GLCM）表示中计算出的纹理特征、像素分布的描述性统计信息以及光谱特征。Barik等人使用elk herd优化器（EHO）和对数强度标准差平均值、熵值以及边缘概率（ALISDEEP）作为适应度函数，来自动化选择卫星图像的CL值。
然而，现有方法在训练DL模型（如ResNet和EfficientNet回归器）以预测最优CL值时需要大量包含低质量冠状动脉造影图像及其对应最优CL值的数据集。由于冠状动脉造影包含大量帧，通过主观评估不同CL值下CLAHE输出的视觉效果来识别每帧的最优CL值并构建此类数据集非常耗时。基于XGBoost的机器学习模型也需要预先训练和包含手动确定的最优CL值的可靠训练数据。低对比度冠状动脉造影的光谱、纹理和空间特征可能与最优CL值没有直接关系。ALISDEEP适应度函数中使用的所有指标都是衡量局部对比度的，而局部对比度的提升与CLAHE中的CL值成正比。因此，选择最大化ALISDEEP值的CL会导致CLAHE输出出现纹理过冲现象。EHO在计算上较为复杂且速度较慢。在这里，我们提出了一种新策略，无需预先训练DL和ML模型即可自动化选择用于冠状动脉造影图像后期处理的CLAHE中的CL值，从而确保输出图像无失真。我们提出了一个参数优化模型，利用灰狼优化（GWO）算法和基于补丁的对比度质量指数（PCQI）作为适应度函数，以实现这一目标。
CLAHE公式
几乎所有医学图像分析算法中使用的CLAHE都是Karel开发的基本形式。在CLAHE的第一步中，输入的冠状动脉造影图像（具有N行N列像素）被分割成尺寸为(SR/N)×(NC/SC)的瓦片。SR和NC是用户定义的缩放因子，用于决定单个瓦片中的像素数量。常见的设置是SR=8，NC=256。
实际剪切限值是根据用户定义的参数计算得出的。
PCQI适应度函数的验证结果
我们将PCQI适应度函数与文献中用于优化图像增强算法参数的四种适应度函数进行了比较，包括对数强度标准差平均值、熵值和边缘概率（ALISDEEP）、组合空间质量和结构相似性（CSQSS）、熵值以及方差。文献中利用CSQSS和熵值来优化CLAHE参数。
讨论
目前用于提高冠状动脉造影图像质量的先进方法包括直方图均衡化（HE）、非锐化掩蔽（USM）、形态学滤波（MF）和Frangi滤波器（FF）。因此，我们将最优CLAHE（OCLAHE）与HE、USM、MF和FF进行了比较。SOTA方法与OCLAHE在三个冠状动脉造影图像上的输出结果分别展示在图8、图9和图10中。HE方法会夸大图像亮度并掩盖图像细节；USM方法也会对图像内容产生一定影响。
结论
我们提出了一种参数优化模型，用于自动化选择用于冠状动脉造影图像后期处理的CLAHE中的CL值。该模型采用了灰狼优化（GWO）和基于补丁的对比度质量指数（PCQI）作为适应度函数。通过这种模型，我们发现能够最大化PCQH值的CL值可以在不影响图像质量的情况下显著提升图像质量，同时避免强度失真。GWO能够在较少的计算时间内找到适应度的全局最小值。
伦理批准和参与同意
本研究未涉及作者从人类参与者处收集数据。本研究使用的数据集是公开可用的，可访问地址为：
https://data.mendeley.com/datasets/ydrm75xywg/1。数据收集和共享过程符合相关伦理标准和规定。
数据可用性
冠状动脉造影数据集可免费下载，链接为：
https://data.mendeley.com/datasets/ydrm75xywg/1
作者贡献
所有作者均符合作者贡献指南。
- K. Yamuna Devi：概念构思、方法论、验证、数据分析、撰写初稿、审稿与编辑、可视化、项目管理
- J. Sofia Bobby：概念构思、方法论、验证、数据分析、审稿与编辑
- S. Vinurajkumar：概念构思、方法论、验证、数据分析、资源管理、撰写与审稿
- Vipin Venugopal：概念构思、方法论、验证、数据分析、资源管理、撰写与审稿
生成式AI的使用
本手稿的撰写、分析和准备过程中未使用任何生成式AI工具。
资金来源
本研究未获得公共部门、商业机构或非营利组织的任何资助。
利益冲突声明
无
致谢
作者感谢印度金奈Ramapuram的Easwari工程学院和印度Coimbatore的Amrita人工智能学院提供的计算资源支持。
