بهبود روش حذف نویز از تصاویر روزوناس مغناطییسی با استفاده از فیلتر میانگین گیر غیر محلی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,012

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCONF03_477

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

تصویربرداری رزونانس مغناطیسی یک روش بسیار متداول پزشکی برای دیدن بافتهای درونی بدن می باشد مسئله مهم در بازاریابی تصویر روزنانس مغناطیسی حذف نویز ضمن حفظ یکپارچگی اطلاعات موجود در تصویر می باشد در این مقاله حذف نویز از تصاویر روزنانس مغناطیسی پزشکی سه بعدی با رویکردی جدید جهت افزایش کیفیت تصویر ارائه می شود. سعی گردیده است که از روش حذف نویز فیلتر غیر محلی بهینه شده با پیاده ساز بلوکی در تصاویر سه بعدی استفاده شود که روشی جدید بوده است این رویکردعبارت است از الف) تقسیم حجم به بلوکهایی که با هم تداخل دارند ب) انجام بازسازی غیرمحلی این بلوکها ج)احیای مقادیر و کسلها براساس مقادیر بازسازی شده از بلوکهایی که به انها تعلق دارند. این روش زمان محاسباتی را کاهش داده و در عین حال عملکرد فیلتر غیرمحلی را نیز حفظ می کند. نتایج شبیه سازی مقاله نشانمی دهد که فیلتر غیرمحلی بهینه شده از نظر دقت وزمان محاسبه بهتر از فیلترهای کلاسیک غیر محلی عمل می کند.

کلیدواژه ها:

نویسندگان

مهسا محمدی مقدم

کارشناسی ارشد فناوری اطلاعات دانشگاه شیراز

آذر محمودزاده

گروه مهندسی برق واحد شیراز دانشگاه آزاد اسلامی شیراز ایران

حامد آگاهی

گروه مهندسی برق واحد شیراز دانشگاه آزاد اسلامی شیراز ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Shyam Anand. C. Jyotinder S. Sahambi. 2010.Wavele domain non-linear filtering ...
  • Ryan Wen Liu. Lin Shi. Wenhua Huang. Jing Xu. Simon ...
  • Golshan. Hosein M. Hasanzadeh. Reza P.R. Yousefzade. Shahrokh C. 2013. ...
  • Henkelma. RM. 1985. Measuremen of signal intensities in the presence ...
  • Awate. SP. Whitaker. RT. 2005. Nonparametric neighborhood statistics for MRI ...
  • Awate. SP. Whitake. RT. 2007. Feature -preserving _ denoising _ ...
  • Aj a-Fernandez. S. Tristan-Vega. A. Alberola-Lop eZ _ C. 2009. ...
  • Coupe. P. Yger. P. Prima. S. Hellier. P. Kervrann. C. ...
  • Coupe. P. Hellier. P. Prima. S. Kervrann. C. Barillot. . ...
  • Anand. CS. Sahambi. JS 2010. Wavelet domain non-linear filtering for ...
  • Gerig. G. Kubler. O. Kikinis. R. Jolesz. FA 1992. Nonlinear ...
  • Perona. P. Malik. J. 1990. Scale-space and edge detection using ...
  • Sijbers. J. Dekker. AJ. Scheunders. P. Dyck DV. 1998. Maximum ...
  • Weaver. JB. Xu Y. Cromwell. D 1991. Filtering noise from ...
  • Nowak. RD. 1999. Wavelet-based Rician noise removal for magnetic resonance ...
  • Zaroubi. S. Goelman. G. 2000. Complex denoising of MR data ...
  • Gonzalez. RC. 2004. Digital image processing. 2nd ed Upper Saddle ...
  • Nason. GP. Silverman. BW. 1995. The stationary wavelet transform and ...
  • Zhang. Y. 2006. S emantic-based visual information retrieval. Hershey. ...
  • Alexander. ME. Baumgartner. R. Summers. AR. Windi schberger. C. Klarhoefer. ...
  • Kwan. RK. Evans. AC. Pike. GB. 1999. MRI simulation -based ...
  • Gerig. G. Kubler. O. Kikinis. R. Jolesz. FA 1992. Nonlinear ...
  • Sijbers. J. Dekker. AJ. Van der Linden. A. Verhoye. M. ...
  • Wong. A. Mishra. AK. Quasi-Monte Carlo. 201 1.Estimation approach for ...
  • He. L. Green shields _ IR. 2009. A nonlocal maximum ...
  • Rajan. J. Jeurissen. B. Verhoye. M. Audekerke. JV. Sijbers. J. ...
  • Dietrich. O. Raya. S.B. Reeder. M. Ingrisch. M. Reise Schoenberg. ...
  • Starck. J.L. Candes. E.J. DL. Donoho D.L. 2002. The Curvelet ...
  • Lath. P R. Subramania. 2006. Medical image denoising using X-lets. ...
  • Ma. J. Plonka. G 2007. Combined curvelet shrinkage and nonlinear ...
  • Ashamol. V.G. Sreelekha. G. Sathidevi. P.S. 2008. Diffusion -based image ...
  • Do. M.N. Vetterli. M. 2005. The contourlet transform an efficient ...
  • Sijbers. J. Dekker. A.J. Van Audekerke. J. M. Verhoye. D. ...
  • Sijbers. J. Dekker. A. 2004. Maximum likelihood estimation of signal ...
  • Jiang. L. Yang. W. 2003. Adaptive magnetic resonance image denoising ...
  • Sijbers. J. D. Poot. A. Dekker. W. Pintjenst. 2007. Automatic ...
  • Aj a-Fernandez. S. C. Lopez. A. Westin. C.F. 2008. Noise ...
  • Aj a-Fernandez. S. Niethammer. M. Kubicki. M. Shenton. M. Westin. ...
  • Golshan. H.M. Has anzedeh. R.P.R. 2011. A non-local Rician noise ...
  • Golsha. H.M. Hasanzedeh. R.P.R. Yousefzade. S.C. 2013. An MRI denoising ...
  • Tisdall. D. Atkins. M.S. 2005. MRI denoising via phase error ...
  • Awate. S.P. Whitake. R.T. 2005. Nonparametric neighborhood statistics for MRI ...
  • Whitaker. R.T. 2007. Feature-pres erving MRI denoising: a non- ...
  • Lopez-Rubio. E. Florentin -Nunez _ M.N. 2011. Kernel regression based ...
  • Luo. J. Zhu. Y. I.E. 2009. Magnin Denoising by averaging ...
  • Luo. J. Zhu. Y. Hiba. B. 2010. Medical image denoising ...
  • Mohan. , Krishnaveni. _ Guo. Y. (2014). A survey On ...
  • Aelterman. J. Goossens. B. A. Pizurica. A. W. Philips. W. ...
  • نمایش کامل مراجع