医学影像在采集过程中不可避免地会受到噪声和伪影的干扰。CT图像中的量子噪声与金属伪影、MRI中的随机噪声与运动伪影、超声图像中的斑点噪声，都会降低图像质量，影响医生对病灶边缘、纹理细节的判读。如何在去除噪声的同时保留诊断关键的解剖结构信息，是医学图像预处理的核心难题。本文围绕噪声与伪影的成因、去噪算法选择、图像增强策略三个层面展开，给出可落地的完整技术方案。
一、先搞清楚噪声和伪影从哪里来
噪声和伪影是两类不同性质的问题，处理思路也完全不同。噪声是随机的信号扰动，主要来源于成像系统的物理特性。CT中降低辐射剂量会引入明显的量子噪声，表现为图像颗粒感；MRI的噪声主要来自热噪声，信噪比与磁场强度、采集次数相关；超声的斑点噪声则是声波在组织中散射干涉形成的固有纹理，属于乘性噪声。
伪影则是系统性的失真，它不是随机的，而是由特定的物理或算法原因导致的结构性错误。CT的金属伪影源于高密度物质造成的射线硬化与光子饥饿，表现为从金属区域放射出的条纹；运动伪影是扫描期间患者移动造成的；环状伪影来自探测器通道的增益不一致。伪影如果不校正，可能被误判为病灶，危害比噪声更大。
处理顺序上建议先做伪影校正再做去噪。伪影是结构性错误，去噪算法无法消除条纹和环形假象，反而可能因为平滑让伪影边缘变得模糊，增加后续校正的难度。
二、主流去噪算法原理与选型
1. 空域滤波：简单但容易丢细节
高斯滤波和均值滤波是最基础的去噪手段，实现简单、速度快，但它们对各向同性地平滑，会把病灶边缘、细小血管一并模糊掉，在诊断场景中基本只适合做粗预处理。中值滤波对椒盐类噪声效果好，且能较好保留边缘，常用于去除孤立的坏点。
双边滤波在高斯滤波基础上引入了像素值差异权重，只平滑灰度接近的邻域像素，边缘保留能力明显提升。但参数不当会导致处理后的图像出现“卡通化”的阶梯过渡，需要谨慎调节sigma参数。
2. 小波阈值去噪：兼顾细节与平滑
小波变换把图像分解到多个尺度，噪声能量分布在各尺度的高频系数中且幅值较小，有效信号的高频系数则幅值较大。通过软阈值或硬阈值处理高频系数，可以在压制噪声的同时保留边缘细节。医学影像中常用BayesShrink自适应阈值，效果稳定且计算量适中。
import pywt
import numpy as np
def wavelet_denoise(img, wavelet='db4', levels=3):
# 多级小波分解
coeffs = pywt.wavedec2(img.astype(np.float32), wavelet, level=levels)
# 估计噪声标准差（基于最高频子带）
sigma = np.median(np.abs(coeffs[-1][0])) / 0.6745
# 逐层自适应阈值处理
def shrink(detail):
threshold = sigma * np.sqrt(2 * np.log(detail.size))
return pywt.threshold(detail, threshold, mode='soft')
coeffs = [coeffs[0]] + [tuple(shrink(d) for d in detail) for detail in coeffs[1:]]
# 重构图像
return pywt.waverec2(coeffs, wavelet)[0:img.shape[0], 0:img.shape[1]]
3. 非局部均值与深度学习去噪
非局部均值（NLM）利用图像中的自相似性，为每个像素搜索整个图像中相似的图像块进行加权平均，去噪能力显著优于局部方法，对CT和MRI都有不错的效果，缺点是计算量大。块匹配三维协同滤波（BM3D）在NLM基础上进一步改进，是传统方法中的性能标杆。
深度学习方案目前是研究热点。基于U-Net、残差网络的端到端去噪模型，以及自监督的Noise2Noise、Noise2Void方法，可以在不依赖干净标签的情况下训练。低剂量CT去噪领域的代表性网络如DnCNN、WGAN-VGG，在抑制噪声的同时能较好保留解剖细节。如果数据量充足，深度学习方法通常优于传统算法，但要注意泛化性，跨设备、跨扫描协议时性能可能明显下降，部署前务必用本院数据验证。
三、图像增强技术与伪影校正实践
1. 对比度增强的几种方案对比
直方图均衡化（HE）通过拉伸灰度分布提升对比度，但医学影像中往往少数高亮区域占据大量像素，直接均衡会导致过度增强。限制对比度自适应直方图均衡（CLAHE）把图像分块处理并限制每个子块的直方图斜率，是医学影像增强中最常用的方案，对显示低对比度病灶特别有效。Retinex理论通过估计光照分量消除光照不均，适合内窥镜等照明条件不稳定的图像。
import cv2
def enhance_medical_image(img, clip_limit=2.0, tile_size=(8, 8)):
# 转灰度或对多通道分别处理
if len(img.shape) == 3:
channels = cv2.split(img)
clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_size)
enhanced = cv2.merge([clahe.apply(c) for c in channels])
else:
clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_size)
enhanced = clahe.apply(img)
return enhanced
2. 常见伪影的针对性校正
CT环状伪影的校正思路是先在正弦图域检测探测器通道响应异常，再做通道增益补偿或插值修复；也可以在图像域用极坐标变换把环转化为直线，再用形态学方法去除。金属伪影校正的主流方案是NIM法：通过阈值分割金属区域，在正弦图中对金属对应的投影数据插值替换，再结合迭代重建或MAR网络修补，能明显削弱条纹。
MRI的运动伪影可以在K空间域处理，利用导航回波或自动校正算法估计运动参数并补偿；也可以训练基于深度学习的运动伪影去除网络。超声斑点噪声本质是乘性噪声，常用SRAD扩散滤波、各向异性扩散（PM模型）处理，或者采用多角度复合成像在采集端抑制。
3. 完整处理流程建议
一条实用的医学影像预处理管线通常按以下顺序组织：首先做DICOM数据校验与窗宽窗位归一化，统一不同设备的灰度标准；其次针对具体模态做伪影校正，如CT金属伪影修复；然后执行去噪，优先选择CLAHE前的BM3D或小波阈值，深度学习模型可作为高精度选项；最后做对比度增强输出。每一步都要做质量评估，常用指标包括PSNR、SSIM以及针对医学影像的对比噪声比CNR。
需要强调的是，去噪和增强是双刃剑，过度处理可能制造出看起来清晰但实际失真的图像，甚至引入假病灶。所有处理算法上线前都应经过放射科医生的视觉评估，并保留原始图像供对照。在科研场景中建议把预处理参数写入元数据，保证实验可复现。
四、总结
医学影像去噪与增强没有万能算法，关键在于理解噪声和伪影的物理成因，针对具体模态选择合适方法：传统算法成熟稳定、可解释性强，适合作为基线；深度学习方法性能上限高，但需要充分的数据验证。处理管线的整体设计比单一算法更重要，先校正伪影再去噪、最后增强的顺序，配合严格的质量评估，才能在提升图像质量的同时确保诊断信息不失真。