《Biomedical Signal Processing and Control》：A Multi-Layer blood vessel enhancement method for endoscopic images
编辑推荐：
内窥镜图像血管增强方法研究提出一种训练-free增强流程，结合S-curve映射、多尺度对比增强（MSICE）和自适应直方图均衡化（CLAHE），有效提升血管可见性，尤其应对光照不均和低对比度场景。实验表明该方法在质感和量化指标上均优于NBI、FICE和I-Scan技术。
段朝阳|王远汉|史立兴|陈淼|文海林|李涵|张明|袁波|王立强
中国浙江工业大学物理学院，310023，杭州
摘要
为了提高内镜图像中表面、浅层和深层血管结构的可见性——尤其是在照明不均匀和对比度较低的情况下——我们提出了一种无需训练的增强流程，该流程结合了单调S曲线映射、多尺度图像对比度增强（MSICE）和对比度受限自适应直方图均衡化（CLAHE）。该方法按固定顺序应用于R、G和B通道，并遵循通道一致性约束，既能增强微血管的可见性，又能保持颜色，并支持实时处理。我们通过视觉比较和定量指标评估了该方法与窄带成像（NBI）、灵活光谱成像色彩增强（FICE）和I-Scan成像技术的效果，发现两者在质量和定量结果上都有显著提升。
引言
癌症仍然是导致死亡的主要原因之一，早期发现可以显著改善治疗结果[1]。恶性转化与微血管重塑有关——血管密度增加、弯曲度增大、直径不均匀以及分支增多[2]。因此，提高内镜图像中血管的可见性有助于诊断，减少错过早期治疗的机会[3]。
当前的临床技术包括窄带成像（NBI）[4]、灵活光谱成像色彩增强（FICE）[5]和I-Scan成像技术[6]。NBI使用窄带照明来突出显示表层血管，而FICE和I-Scan则是电子色彩增强方法。FICE通过选择特定波长的反射来重建色彩通道，但可能会偏离自然色彩；I-Scan则通过基于波长的处理结合表面和对比度增强，其流程相对复杂。
此外，还有一些研究探索了其他图像增强算法，例如Ana Belén Petro等人提出了一种多尺度Retinex图像增强算法[7]，并证实了其在图像色彩恢复和对比度增强方面的有效性；Gopi等人利用双密度双树复杂小波变换进行图像去噪[8]。也有研究使用高斯化方法通过将图像的概率分布函数转换为高斯分布来增强对比度[9]、[10]。这些技术大多应用于灰度图像，尚未充分探索其在彩色图像中的应用。除了直方图方法外，最近的研究还利用多目标元启发式算法（如Cuckoo Search和Flower Pollination）来调整对比度受限自适应直方图均衡化（CLAHE）的参数，并将其与卷积神经网络（CNN）结合用于疾病检测；这些工作强调了CLAHE的参数敏感性和任务依赖性[11]、[12]、[13]。
近年来，深度学习也被用于低光照和内镜图像的照明校正和对比度增强。代表性的方法包括受Retinex启发的分解网络（如Retinex-Net和KinD），它们可以同时估计照明/反射率并抑制图像退化[14]、[15]；基于曲线的增强网络（如Zero-DCE和Zero-DCE++），它们可以在没有配对监督的情况下预测像素级的增强曲线[16]、[17]；以及基于生成对抗网络（GAN）的图像到图像转换技术，适用于内镜检查。这些方法可以产生良好的感知质量，但通常依赖于训练好的权重和图形处理单元（GPU）加速，这可能会给临床应用带来复杂性。在这项工作中，我们采用了一种无需训练的轻量级流程，旨在实现内镜照明下的实时增强；第3.4节提供了详细的运行时分析和与代表性深度学习基线的比较。
我们提出了一种内镜图像增强框架，该框架通过针对血管可见性的任务导向适应，整合了S曲线映射、多尺度图像对比度增强（MSICE）和CLAHE。与传统增强流程不同，所提出的方法自适应地结合了全局非线性拉伸、多尺度对比度放大和局部对比度受限细化，以应对内镜图像的独特挑战，包括照明不均匀、血管可见性弱和颜色失真等问题。在实际应用中，我们按照固定顺序使用S曲线进行色调归一化，MSICE进行多尺度对比度增强，以及具有固定裁剪限制的亮度域CLAHE，并遵循通道一致性约束；这样可以实时稳定地增强微血管的可见性。
方法原理
总体框架（图1）。流程如下：1）将输入图像分为R、G和B三个通道；2）对每个通道应用单调S曲线以归一化中间色调并避免饱和；3）运行MSICE以在平衡的照明条件下增强局部血管对比度；4）在亮度域进行CLAHE处理，设置固定裁剪限制以避免过度增强；5）合并三个通道得到最终输出。与传统的Retinex流程不同，该方法
实验结果与分析
为了评估本文提出的血管增强方法，进行了以下三项对比实验：
1. 评估使用了来自三个公开数据集的40张具有代表性的胃肠道内镜图像：PENTAX Medical I-Scan Mini-Atlas for Gastroenterology（2015年）、FICE Atlas of Spectral Endoscopic Images（2021年）和Gastrolab Image Gallery（1996年）[23]、[24]、[25]。这些图像包含了NBI、FICE和I-Scan的应用实例
结论
通过分析理论和实验数据，得出以下结论：
1. 算法性能：所提出的方法在所有指标上表现良好，有效增强了表面、浅层和深层血管的可见性。经过视觉观察，该方法能够清晰地显示血管的详细信息，并实现了预期的增强效果。
2. 暗区细节表现：如第3.1节第三组子图所示，所提出的方法
CRediT作者贡献声明
段朝阳：撰写 – 审稿与编辑，撰写 – 原稿撰写，可视化处理，验证，软件开发，项目管理，方法论设计，数据整理，概念构建。王远汉：撰写 – 审稿与编辑。史立兴：撰写 – 审稿与编辑。陈淼：撰写 – 审稿与编辑。文海林：撰写 – 审稿与编辑。李涵：可视化处理，验证，软件开发，方法论设计，数据整理，概念构建。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本工作得到了国家自然科学基金（编号：T2293751）和国家重点研发计划（编号：2023YFF0720400）的支持。实验中使用的内镜设备由浙江Lshealthcare有限公司提供。
