بهبود حذف نویز از تصاویر رزونانس مغناطیسی با فیلتر میانگین گیر غیر محلی بلوکی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 924

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EMIS01_014

تاریخ نمایه سازی: 11 آبان 1395

چکیده مقاله:

افزایش کیفیت تصویر و حذف نویز های ایجاد شده در تصویر یک مرحله اساسی قبل از هر عملیات پردازشی است. داده های گرفته شده از تصاویر رزونانس مغناطیسی معمولاً با نویز رایسی در زمان تصویر برداری خراب می شود به طوری که دقت و قابلیت اطمینان در تجزیه و تحلیل تصاویر را کاهش می دهد. اما نکته مهم در طول روند حذف نویز این است که تصویر اصلی و به خصوص جزئیات آن تا حد امکان آسیبی نبیند و ساختار اصلی حفظ شود براین اساس روش های مختلفی برای حذف نویز مطرح شده است. در این مقاله ما از یک روش جدید با اتفاده از فیلتر غیرمحلی استفاده کرده ایم الگوریتم میانگین های غیرمحلی از افزونگی اطلاعات در تصویر مورد مطالعه برای حذف نویز استفاده می کند. عملکردهای این فیلتر غیرمحلی عبارتند از : الف) تنظیم خودکار پارامتر هموار ب) انتخاب مناسب ترین وکسل پ) پیاده سازی بلوکی ت) محاسبات موازی. اعتبارسنجی کمی بر روی مجموعه داده های مصنوعی تولید شده با دیتا ست Brain web انجام می شود. در مقایسه با روش های کلاسیک غیرمحلی نتایج شبیه سازی نشان می دهد که فیلتر ارائه شده نتایج حذف نویز بهتری با حفظ ساختار اصلی و جزئیات ارائه می دهد. در این مقایسه نتایج بر رروی داده های واقعی (T1-W) و (T2-W) از یک بیمار مبتلا به بیماری (MS) نشان داده شده است.

کلیدواژه ها:

تصاویر رزونانس مغناطیسی ، حذف نویز ، فیلتر میانگین گیر غیر محلی

نویسندگان

مهسا محمدی نژاد

گروه مهندسی برق - واحد علوم و تحقیقات فارس - دانشگاه آزاد اسلامی - فارس - ایران

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.Wavelet domain non-linear filtering ...
  • Ryan Wen Liu. Lin Shi. Wenhua Huang. Jing Xu. Simon ...
  • Golshan. Hosein M. Hasanzadeh. Reza P.R. Yousefzadeh. Shahrokh C. 2013. ...
  • Henkelman. RM. 1985. Measurement of signal intensities in the presence ...
  • Awate. SP. Whitaker. RT. 2007. Feature- preserving MRI denoising a ...
  • Aja-Fernandez. S. Tristan-Vega. A. Alberola- Lopez. C. 2009. Noise estimation ...
  • Coupe. P. Yger. P. Prima. S. Hellier. P. Kervran. C. ...
  • Coupe. P. Hellier. P. Prima. S. Kervrann. C. Barillot. C. ...
  • 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. Wavel et-based Rician noise removal for magnetic ...
  • 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 emanti c-based visual information retrieval. Hershey. ...
  • Alexander. ME. Baumgartner. R. Summers. AR. Win dischberger. C. Klarhoefer. ...
  • Kwan. RK. Evans. AC. Pike. GB. 1999. MRI image- ...
  • 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. Greensh ields. IR. 2009. A nonlocal maximum likelihood ...
  • Audekerke. JV. Sijbers. J. 201 1. Maximum likelihood est imation-based ...
  • Dietrich. O. Raya. S.B. Reeder. M. Ingrisch. M. Reise Schoenberg. ...
  • Starck. J.L. Candes. E.J. D.L. Donoho. D.L. 2002. The Curvele ...
  • Lath. P R. Subramanian. 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. D iffusion-based image denois-ing ...
  • combining curvelet and wavelet. Proceedings of 15th Int ernat i ...
  • 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.J. Scheunders. P. Van Dyck. D. 1998. ...
  • Sijbers. J. Dekker. A.J. 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 ...
  • Aja-Fermandez. S. C. Lopez. A. Westin. C.F. 2008. Noise and ...
  • Aja-Fermandez. S. Niethammer. M. Kubicki. 2008. ...
  • Restoration of DWI data using a Rician LMMSE estimator. IEEE ...
  • Golshan. H.M. Hasanzedeh. R.P.R. 2011. A non-local Rician noise reduction ...
  • Yousefzadeh. S.C. 2013. An MRI denoising methodusing data redundancy and ...
  • Tisdall. D. Atkins. M.S. 2005. MRI denoising via phase error ...
  • Awate.S.P. Whitaker. R.T. 2007. Feature- preserving MRI denoising: a non-parametric ...
  • Lopez-Rubio. E. F lorentin-Nune, M.N. 2011. Kernel regression based feature ...
  • Luo. J. Zhu. Y. I.E. 2009. Magnin Denoising by averaging ...
  • Luo. J. Zhu. Y. Hiba. B. 2010. Medical image denoising ...
  • Krishnaveni. V. Guo. Y. (2014). A ر 48. Mohan. survey ...
  • Aelterman. J. Goossens. B. A. Pizurica. A. W. Philips. W. ...
  • نمایش کامل مراجع