تقنية الترشيح بالضوضاء للتصوير الطبي

الوصف

وصف
في الصور الطبية ، يعد كبح الضوضاء مهمة حساسة وصعبة بشكل خاص. يجب إجراء المفاضلة بين تقليل التشويش والحفاظ على ميزات الصورة الفعلية بطريقة تعزز محتوى الصورة ذي الصلة من الناحية التشخيصية. عادة ما يفتقر المتخصصون في معالجة الصور إلى الخبرة الطبية الحيوية للحكم على الأهمية التشخيصية لنتائج تقليل الضوضاء. على سبيل المثال ، في صور الموجات فوق الصوتية ، قد تحتوي ضوضاء البقع على معلومات مفيدة للخبراء الطبيين [39] ؛ تمت مناقشة استخدام الملمس المرقط للتشخيص في [18] و [35]. أيضًا ، تُظهر الصور الطبية الحيوية تقلبًا شديدًا ومن الضروري العمل على أساس كل حالة على حدة [36]. هذا يحفز بناء طرق قوية ومتعددة الاستخدامات لتقليل الضوضاء قابلة للتطبيق في ظروف مختلفة ، بدلاً من أن تكون مثالية في ظل ظروف محددة للغاية. تم تناول فكرة المتانة في تقليل الضوضاء متعدد النطاقات في [19]. في هذه الورقة ، نقترح طريقة واحدة قوية تتكيف مع أنواع مختلفة من ضوضاء الصورة بالإضافة إلى تفضيل الخبير الطبي: يمكن استخدام معلمة واحدة لموازنة الحفاظ على التفاصيل ذات الصلة (المعتمدة على الخبير) مقابل الدرجة للحد من الضوضاء.

في تقليل تشويش الصورة ، غالبًا ما يواجه المرء عدم يقين بشأن وجود “ميزة اهتمام” معينة (على سبيل المثال ، حافة الصورة) في ملاحظة صاخبة. نظرًا لتباين تمثيل المويجات ، فإن أسلوب Middleton الأمثل للكشف والتقدير [28] يبدو مناسبًا تمامًا لتقليل تشويش صورة مجال المويجات. حسب معرفة المؤلفين ، لم تحظ مثل هذه الأساليب باهتمام كبير حتى الآن في تصفية نطاق المويجات. تأخذ طرق بايز [2] ، [5] ، [37] عدم اليقين في وجود الإشارة في الاعتبار ضمنيًا ، بافتراض عملية برنولي على معاملات المويجات [20] واستخدام نماذج المزيج الغاوسي لوظائف الكثافة الاحتمالية لمعاملات المويجات. فيما يتعلق بهذا الأمر ، ولكن الأساليب الأكثر تعقيدًا والتكيف المكاني عادةً ما تستخدم خوارزميات معقدة ، بناءً على نماذج شجرة ماركوف المخفية [6] ، [10] أو نماذج ماركوف العشوائية السابقة للحقل [17] ، [23] ، [31]. تشمل الاتجاهات الحديثة الأخرى في تقليل التشويش على الصورة المستندة إلى الموجات تطبيق أنواع مختلفة من الترشيح في مناطق الصورة التي يفترض أنها سلسة ومن المفترض أنها غير متجانسة أو “حواف” [12] ، [21] ، عتبة تكيفية مكانية [4] وتصفية Wiener التكيفية محليًا [29].

مخرجات كود ماتلاب:

peaksnr قبل = 23.68

snr قبل = 13.80
peaksnr بعد = 27.809641756910743

snr بعد = 17.936949104490768

القيم السابقة = 0.221784578748779

القيم بعد = 0.464511041250099

إدخال الصورة

صورة صاخبة

صورة منزوعة الضوضاء:

صورة الإدخال الثانية:

صورة صاخبة:

صورة منزوعة الضوضاء:

EFERENCES
[1] T. Aach and D. Kunz, “Anisotropic spectral amplitude estimation for noise reduction and image enhancement,” in Proc. IEEE Int. Conf. Image Processing, Lausanne, Switzerland, 1996, pp. 335–338.
[2] F. Abramovich, T. Sapatinas, and B. W. Silverman, “Wavelet thresholding via a Bayesian approach,” J. Roy. Statist. Soc. B, vol. 60, pp. 725–749, 1998.
[3] A. Achim, A. Bezerianos, and P. Tsakalides, “Novel Bayesian multiscale method for speckle removal in medical ultrasound images,” IEEE Trans. Med. Imag., vol. 20, pp. 772–783, Aug. 2001.
[4] S. G. Chang, B. Yu, and M. Vetterli, “Spatially adaptive wavelet thresholding with context modeling for image denoising,” IEEE Trans. Image Processing, vol. 9, pp. 1522–1531, Sept. 2000.
[5] H. A. Chipman, E. D. Kolaczyk, and R. E. McCulloch, “Adaptive Bayesian wavelet shrinkage,” J. Amer. Statist. Assoc., vol. 92, pp. 1413–1421, 1997.
[6] M. S. Crouse, R. D. Nowak, and R. G. Baranuik, “Wavelet-based statistical signal processing using hidden Markov models,” IEEE Trans. Signal Processing, vol. 46, pp. 886–902, Apr. 1998.
[7] D. L. Donoho, “De-noising by soft-thresholding,” IEEE, Trans. Inform. Theory, vol. 41, pp. 613–627, May 1995.
[8] W. A. Edelstein, G. Glover, C. Hardy, and R. Redington, “The intrinistic signal-to-noise ratio in NMR imaging,” Magn. Reson. Med., vol. 3, pp. 604–618, 1986.
[9] Y. Ephraim and D. Malah, “Speech enhancement using a minimum mean-square error short-time spectral amplitude estimation,” IEEE Trans. Acoust. Speech Signal Processing, vol. ASSP-32, pp. 1109–1121, Dec. 1984.
[10] G. Fan and X.-G. Xia, “Image denoising using local contextual hidden markov model in the wavelet domain,” IEEE Signal Processing Lett., vol. 8, pp. 125–128, May 2001.
[11] S. Foucher, G. B. Benie, and J. M. Boucher, “Unsupervised multiscale speckle filtering,” in Proc. IEEE Int. Conf. Image Processing, Lausanne, Switzerland, 1996, pp. 391–394.
[12] , “Multiscale MAP filtering of SAR images,” IEEE Trans. Image Processing, vol. 10, pp. 49–60, Jan. 2001.
[13] J.W. Goodman, “Some fundamental proprerties of speckle,” J. Opt. Soc. Amer., vol. 66, pp. 1145–1150, 1976.
[14] H. Gudbjartsson and S. Patz, “The Rician distribution of noisy MRI data,” Magn. Reson. Med., vol. 34, pp. 910–914, 1995.
[15] T.-C. Hsung, D. P.-K. Lun, and W.-C. Siu, “Denoising by singularity detection,” IEEE Trans. Signal Processing, vol. 47, pp. 3139–3144, Nov. 1999.
[16] A. K. Jain, Fundamental of Digital Image Processing. Upper Saddle River, NJ: Prentice-Hall, 1989.
[17] M. Jansen and A. Bultheel, “Geometrical priors for noisefree wavelet coefficient configurations in image de-noising,” in Bayesian Inference inWavelet Based Models, P. Müller and B. Vidakovic, Eds. New York: Springer-Verlag, 1999, pp. 223–242.
[18] G. Kossof, W. J. Garret, D. A. Carpenter, J. Jellins, and M. J. Dadd, “Principles and classification of soft tissues by gray scale echography,” Ultrasound Med. Biol., vol. 2, pp. 89–105, 1976.

[19] H. Krim and I. C. Schick, “Minimax description length for signal denoising and optimized representation,” IEEE Trans. Inform. Theory, vol. 45, pp. 898–908, Apr. 1999.
[20] D. Leporini, J.-C Pasquet, and H. Krim, “Best basis representation with prior statistical models,” in Lecture Notes in Statistics, P. Müller and B. Vidakovic, Eds. New York: Springer-Verlag, 1999, pp. 155–172.
[21] X. Li and M. Orchard, “Spatially adaptive denoising under overcomplete expansion,” presented at the IEEE Int. Conf. Image Processing, Vancouver, BC, Canada, Sept. 2000.
[22] A. Macovski, “Noise in MRI,” Magn. Reson. Med., vol. 36, pp. 494–497, 1996.
[23] M. Malfait and D. Roose, “Wavelet-based image denoising using a Markov random field a priori model,” IEEE Trans. Image Processing, vol. 6, pp. 549–565, Apr. 1997.
[24] S. Mallat, “A theory for multiresolution signal decomposition: The wavelet representation,” IEEE Trans. Pattern Anal. Machine Intell., vol. 11, pp. 674–693, July 1989.
[25] , A Wavelet Tour of Signal Processing. New York: Academic, 1998.
[26] R. J. McAulay and M. L. Malpass, “Speech enhancement using a softdecision noise suppression filter,” IEEE Trans. Acoust. Speech Signal Processing, vol. ASSP-28, pp. 137–144, Apr. 1980.
[27] E. R. McVeigh, R. M. Henkelman, and M. J. Bronskill, “Noise and filtration in magnetic resonance imaging,” Med. Phys., vol. 3, pp. 604–618, 1985.
[28] D. Middleton and R. Esposito, “Simultaneous optimum detection and estimation of signals in noise,” IEEE Trans. Inform. Theory, vol. IT-14, pp. 434–443, May 1968.
[29] M. K. Mihçak, I. Kozintsev, K. Ramchandran, and P. Moulin, “Lowcomplexity image denoising based on statistical modeling of wavelet coefficients,” IEEE Signal Processing Lett., vol. 6, pp. 300–303, Dec. 1999.
[30] R. D. Nowak, “Wavelet-based rician noise removal for magnetic resonance imaging,” IEEE Trans. Image Processing, vol. 8, pp. 1408–1419, Oct. 1999.
[31] A. Piˇzurica, W. Philips, I. Lemahieu, and M. Acheroy, “A joint interand intrascale statistical model for Bayesian wavelet based image denoising,” IEEE Trans. Image Processing, vol. 11, pp. 545–557, May 2002.
[32] A. Piˇzurica, “Image denoising using wavelets and spatial context modeling,” Ph.D. dissertation, Ghent Univ., Ghent, Belgium, 2002.
[33] A. Piˇzurica, W. Philips, I. Lemahieu, and M. Acheroy, “Despeckling SAR images using wavelets and a new class of adaptive shrinkage functions,” in IEEE Int. Conf. Image Processing, Thessaloniki, Greece, Oct. 2001.
[34] F. Sattar, L. Floreby, G. Salomonsson, and B. Lövström, “Image enhancement based on a nonlinear multiscale method,” IEEE Trans. Image Processing, vol. 6, pp. 888–895, June 1997.
[35] F. G. Sommer, L. F. Joynt, B. A. Carroll, and A. Macowski, “Ultrasonic characterization of abdominal tissues via digital analysis of backscattered waveforms,” Radiol., vol. 141, pp. 811–817, Dec. 1981.
[36] M. Unser and A. Aldroubi, “A review of wavelets in biomedical applications,” Proc. IEEE, vol. 84, pp. 626–634, Apr. 1996.
[37] B. Vidakovic, “Wavelet-based nonparametric Bayes methods,” in Practical Nonparametric and Semiparametric Bayesian Statistics, D. D. Dey, P. Müller, and D. Sinha, Eds. New York: Springer-Verlag, 1998, Lecture Notes in Statistics 133, pp. 133–155.
[38] Y. Xu, J. B. Weaver, D. M. Healy, and J. Lu, “Wavelet transform domain filters: A spatially selective noise filtration technique,” IEEE Trans. Image Processing, vol. 3, pp. 747–758, Nov. 1994.
[39] R. F. Wagner, S. W. Smith, J. M. Sandrik, and H. Lopez, “Statistics of speckle in ultrasound B-scans,” IEEE Trans. Sonics Ultrason., vol. SU-30, pp. 156–163, May 1983.
[40] J.Weaver, Y. Xu, D. Healy, and J. Driscoll, “Filtering MR images in the wavelet transform domain,” Magn. Reson. Med., vol. 21, pp. 288–295, 1991.