引言

医学影像技术（如CT、MRI、X光）是现代临床诊断的核心工具，但图像采集过程中易受噪声干扰（如设备电子噪声、患者运动伪影），导致图像质量下降，影响医生对病灶的识别与判断。医学图像降噪处理与计算机辅助诊断（CAD）技术的结合，可有效提升图像信噪比，辅助医生快速、精准地完成诊断。本文以Matlab为开发平台，系统阐述医学图像降噪算法的实现、诊断模型的构建及临床应用价值。

一、医学图像噪声来源与降噪必要性

1.1 噪声来源分析

医学图像噪声主要分为三类：

• 电子噪声：成像设备（如探测器、放大器）的固有热噪声，呈高斯分布；
• 运动伪影：患者呼吸、心跳或体位移动导致的模糊，表现为低频干扰；
• 量子噪声：X射线或超声波与组织相互作用产生的泊松分布噪声。

1.2 降噪的必要性

噪声会降低图像对比度，掩盖微小病灶（如早期肺癌结节），甚至导致误诊。研究表明，降噪处理可使病灶检出率提升15%-20%，尤其在低剂量CT扫描中效果显著。

二、基于Matlab的医学图像降噪方法

Matlab凭借其强大的图像处理工具箱（Image Processing Toolbox）和矩阵运算能力，成为医学图像降噪研究的首选平台。以下介绍三种经典降噪算法及其Matlab实现。

2.1 均值滤波与中值滤波

2.1.1 均值滤波

均值滤波通过局部窗口内像素的平均值替代中心像素，适用于高斯噪声。Matlab代码示例：

% 读取图像
I = imread('lung_ct.png');
I_gray = rgb2gray(I); % 转为灰度图
% 均值滤波
h = fspecial('average', [5 5]); % 5x5均值滤波器
I_mean = imfilter(I_gray, h);
% 显示结果
subplot(1,2,1), imshow(I_gray), title('原始图像');
subplot(1,2,2), imshow(I_mean), title('均值滤波后');

局限性：过度平滑会导致边缘模糊，丢失病灶细节。

2.1.2 中值滤波

中值滤波取局部窗口内像素的中值，对脉冲噪声（如椒盐噪声）效果显著。Matlab代码示例：

% 添加椒盐噪声
I_noisy = imnoise(I_gray, 'salt & pepper', 0.05);
% 中值滤波
I_median = medfilt2(I_noisy, [5 5]);
% 显示结果
subplot(1,3,1), imshow(I_gray), title('原始图像');
subplot(1,3,2), imshow(I_noisy), title('含噪图像');
subplot(1,3,3), imshow(I_median), title('中值滤波后');

优势：保留边缘的同时抑制噪声。

2.2 小波变换降噪

小波变换通过多尺度分解将图像分为低频（结构）和高频（噪声/细节）分量，对高频分量进行阈值处理后重构图像。Matlab代码示例：

% 小波变换降噪
[cA, cH, cV, cD] = dwt2(I_gray, 'haar'); % Haar小波分解
% 对高频分量阈值处理
threshold = 0.1 * max(abs(cH(:)));
cH_thresh = wthresh(cH, 's', threshold); % 软阈值
cV_thresh = wthresh(cV, 's', threshold);
cD_thresh = wthresh(cD, 's', threshold);
% 重构图像
I_wavelet = idwt2(cA, cH_thresh, cV_thresh, cD_thresh, 'haar');
% 显示结果
figure;
subplot(1,2,1), imshow(I_gray), title('原始图像');
subplot(1,2,2), imshow(uint8(I_wavelet)), title('小波降噪后');

适用场景：低剂量CT噪声抑制，可保留微小钙化点。

2.3 非局部均值滤波（NLM）

NLM利用图像中相似块的加权平均实现降噪，保留纹理细节。Matlab可通过imnlmfilt函数实现：

% 非局部均值滤波
I_nlm = imnlmfilt(I_gray, 'DegreeOfSmoothing', 10);
% 显示结果
figure;
imshowpair(I_gray, I_nlm, 'montage');
title('原始图像（左）与非局部均值滤波后（右）');

优势：适用于复杂纹理图像（如MRI脑部图像）。

三、计算机辅助诊断（CAD）系统构建

降噪后的图像需通过CAD系统实现病灶自动检测与分类。以下以肺结节检测为例，介绍基于Matlab的CAD流程。

3.1 图像预处理

• 灰度归一化：将像素值映射至[0,1]范围，消除设备差异；
• 直方图均衡化：增强对比度，突出结节与肺实质的差异。

3.2 肺部分割

采用阈值法与形态学操作分割肺部区域：

% 肺部分割
I_eq = histeq(I_gray); % 直方图均衡化
level = graythresh(I_eq); % 自动阈值
BW = imbinarize(I_eq, level); % 二值化
% 形态学操作填充空洞
BW_filled = imfill(BW, 'holes');
% 显示结果
figure;
imshow(BW_filled);
title('肺部分割结果');

3.3 结节检测与分类

• 候选区域生成：通过滑动窗口或连通区域分析提取疑似结节；
• 特征提取：计算形状（圆度、面积）、纹理（灰度共生矩阵）特征；
• 分类模型：使用SVM或卷积神经网络（CNN）区分良恶性。

Matlab深度学习工具箱示例（简化版）：

% 假设已标注数据集（结节/非结节）
layers = [
    imageInputLayer([64 64 1]) % 输入层
    convolution2dLayer(3, 8, 'Padding', 'same') % 卷积层
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2) % 池化层
    fullyConnectedLayer(2) % 输出层（结节/非结节）
    softmaxLayer
    classificationLayer];
% 训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 32, ...
    'Plots', 'training-progress');
% 训练模型（需替换为实际数据）
% net = trainNetwork(trainData, layers, options);

四、临床应用与挑战

4.1 应用价值

• 早期筛查：辅助低剂量CT肺癌筛查，降低辐射剂量；
• 手术规划：精确测量肿瘤体积，指导穿刺活检路径；
• 远程医疗：通过降噪与CAD提升基层医院诊断水平。

4.2 挑战与展望

• 数据标注：需大量临床标注数据训练模型；
• 泛化能力：不同设备、扫描参数下的模型适应性；
• 多模态融合：结合PET、MRI等多模态数据提升诊断准确性。

五、结论

Matlab为医学图像降噪与CAD系统开发提供了高效工具，通过均值滤波、小波变换等算法可显著提升图像质量，结合深度学习模型可实现病灶自动检测。未来，随着多模态数据与AI技术的融合，CAD系统将向更精准、智能的方向发展，为临床诊断提供更强有力的支持。

实用建议：

1. 针对不同噪声类型选择降噪算法（如高斯噪声用均值滤波，脉冲噪声用中值滤波）；
2. 在CAD系统开发中，优先使用公开数据集（如LIDC-IDRI肺结节数据集）验证模型；
3. 结合临床需求优化算法参数（如小波基选择、阈值设定）。