A method for improving the clarity of fine details of biomedical images using graph enhancement

ІНФОРМАЦІЙНО-ВИМІРЮВАЛЬНІ ТЕХНОЛОГІЇ Технічна інженерія DOI: https://doi.org/10.26642/ten-2026-1(97)-332-336 УДК 004.9 С.А. Андрікевич, аспірант А.В. Щербатюк, аспірант С.Є. Тужанський, к.т.н., доц. Вінницький національний технічний університет Метод підвищення чіткості дрібних деталей біомедичних зображень із використанням графового підсилення Підвищення якості біомедичних зображень є критично важливим для забезпечення достовірної візуалізації анатомічних структур і патологічних змін, що безпосередньо впливає на точність діагностики. Покращення контрасту, зниження шуму та підсилення інформативних деталей сприяють більш надійному аналізу зображень як лікарями, так і автоматизованими системами обробки даних. У статті представлено реалізацію запропонованого алгоритму покращення якості медичних зображень, що базується на графовому edge-aware підсиленні структур. Запропонований підхід використовує зелений канал як основне джерело структурної інформації для побудови графової моделі локальних зв’язків між пікселями та виконує ітераційне згладжування з урахуванням інтенсивнісних відмінностей. На основі різниці між початковим і згладженим зображенням формується карта деталей, яка разом із додатковою високочастотною складовою, отриманою за допомогою гаусового фільтра, використовується для підсилення судинного рисунка. Реалізовано перенесення виділених деталей у кольоровий простір RGB з різними ваговими коефіцієнтами, що забезпечує збереження природного кольорового балансу. Проведено обробку серії тестових зображень із відкритих джерел та виконано оцінювання результатів роботи алгоритму. Отримані результати демонструють підвищення інформативності зображень і покращення візуалізації судинних структур. Практична значущість підходу полягає у можливості його застосування в системах комп’ютерної діагностики для підвищення якості аналізу медичних зображень. Ключові слова: обробка біомедичних зображень; біомедична інженерія; підсилення структур; графове згладжування; комп’ютерна діагностика. Актуальність теми. Якість біомедичних зображень безпосередньо впливає на точність виявлення патологічних змін, аналіз судинного рисунка та формування клінічних висновків. Незважаючи на розвиток сучасних фундус-камер та цифрових сенсорів, зображення очного дна часто характеризуються низьким локальним контрастом, нерівномірним освітленням, шумами та недостатньою вираженістю дрібних судинних структур. Ці фактори ускладнюють як візуальну інтерпретацію лікарем, так і роботу автоматизованих систем обробки медичних зображень, що обумовлює актуальність розробки ефективних методів покращення їх якості. Аналіз останніх досліджень та публікацій, на які спираються автори. Аспектам підвищення якості біомедичних зображень з допомогою механізму уваги та поглибленого навчання моделі присвячено публікацію С.А. Андрікевича, А.В. Щербатюка, Ю.Є. Поуданєна, А.В. Кожем’яко, С.Є. Тужанського [1]. Огляд існуючих алгоритмів для підвищення якості зображень представлений у роботі С.В. Павлова, Д.В. Вовкотруб, Р.Ю. Довгалюк, А.Хані [2], а у роботі Ю.Є. Поуданєна, А.В. Кожем’яко [3], Ю.Й. Янга [4] представлено застосування вузькосмугових методів для реєстрації та покращення якості біомедичних зображень. Також у роботах [5–6] представлено застосування методів фільтрації зображень з метою підвищення їх якості. В цій роботі для дослідження використано біомедичні зображення з відкритої бази даних HRF [7] з роздільною здатністю 3504 × 2336 пкс, у форматі JPG та з глибиною кольору 24 біти. Метою статті є дослідження ефективності запропонованого алгоритму обробки біомедичних зображень та оцінювання результатів обробки для подальшого використання при підготовці зображень з допомогою згорткових нейромереж для автоматизації діагностування офтальмологічних захворювань. Викладення основного матеріалу. Запропонований метод ґрунтується на графовому підсиленні, у якому зелений канал [8] використовується як основне джерело структурної інформації. Для локального 8сусідства пікселів формуються ваги на основі гаусової функції від різниці інтенсивностей, після чого виконується ітераційне графове згладжування. Різниця між початковим і згладженим зображенням формує карту graph-detail [9], а додаткова високочастотна карта виділяється за допомогою гаусового фільтра малого радіуса. Обидві карти переносяться у всі канали RGB з різними ваговими коефіцієнтами [10], що забезпечує підсилення судинного рисунка при збереженні природного кольорового балансу. Нехай вхідне кольорове зображення задане як: (1) 𝐼(𝑥, 𝑦) = {𝑅(𝑥, 𝑦), 𝐺(𝑥, 𝑦), 𝐵(𝑥, 𝑦)}, де 𝑅, 𝐺, 𝐵 – відповідні кольорові канали. 332 © С.А. Андрікевич, А.В. Щербатюк, С.Є. Тужанський, 2026 ISSN 2706-5847 № 1 (97) 2026 Обробка виконується лише в межах області очного дна, що задається бінарною маскою 𝑀(𝑥, 𝑦), яка дозволяє виключити вплив неінформативного фону та підвищити стабільність подальших обчислень. Для виділення структурної інформації використовується зелений канал: 𝐼𝑔 (𝑥, 𝑦) = 𝐺(𝑥, 𝑦), (2) оскільки він забезпечує найкращий контраст судин відносно навколишніх тканин. Саме цей канал застосовується для побудови структурної моделі зображення. Кожен піксель розглядається як вершина графа 𝐺 = (𝑉, 𝐸), де 𝑉 – множина пікселів, а 𝐸 – множина зв’язків між ними. Для кожного пікселя (𝑥, 𝑦) розглядається його окол 𝑁(𝑥, 𝑦), що відповідає 8 сусідніх пікселів. Ваги ребер між сусідніми пікселями визначаються як: (𝐼𝑔 (𝑖) − 𝐼𝑔 (𝑗))2 (3) 𝑤𝑖𝑗 = exp ( − ), 2𝜎 2 де 𝐼𝑔 (𝑖), 𝐼𝑔 (𝑗) – значення інтенсивності зеленого каналу для сусідніх пікселів, 𝜎 – параметр, що визначає чутливість до перепадів яскравості. На основі отриманих ваг виконується графове згладжування, яке реалізується як ітераційне зважене усереднення сусідніх пікселів. У результаті формується згладжене зображення, що містить глобальну структуру сцени без дрібних деталей і шуму. Для виділення локальних структур використовується різниця між початковим та згладженим зображенням: (𝑠) 𝐷(𝑥, 𝑦) = 𝐼𝑔 (𝑥, 𝑦) − 𝐼𝑔 (𝑥, 𝑦), (4) (𝑠) де 𝐼 (𝑥, 𝑦) – згладжене зображення зеленого каналу. 𝑔 Отримана карта деталей містить високочастотні компоненти, зокрема судини та дрібні текстурні елементи. Додатково формується карта дрібномасштабних деталей на основі гаусового згладжування малого радіуса, що дозволяє підсилити тонкі судини. Фінальне зображення формується шляхом перенесення виділених деталей у кольоровий простір: (5) 𝑅′ = 𝑅 + 𝑘𝑅 𝐷, 𝐺 ′ = 𝐺 + 𝑘𝐺 𝐷, 𝐵′ = 𝐵 + 𝑘𝐵 𝐷 , де 𝑘𝑅 , 𝑘𝐺 , 𝑘𝐵 – коефіцієнти підсилення для відповідних каналів. Значення коефіцієнтів підбираються таким чином, що найбільше підсилення застосовується до зеленого каналу, що відповідає за видимість судин, тоді як для синього каналу воно мінімальне з метою уникнення шумових артефактів. У результаті застосування запропонованого методу досягається підвищення контрасту судинного рисунка, покращення видимості дрібних структур та зменшення впливу шуму без суттєвого спотворення кольорової інформації зображення. Результати експериментального дослідження. Запропонований метод реалізовано у середовищі Python із вик (...truncated)