基于小波统计模型的医学超声图像去噪方法研究

超声图像中固有的斑点噪声严重降低图像的可解译程度,影响了后续的图像分析和诊断.因此,抑制相干斑噪声一直是医学超声图像预处理中一个关键性问题.本研究通过对含斑图像做对数变换和冗余小波分解,提出了一种基于Bayesian估计的小波域局部自适应性去斑算法.将斑点噪声和有用信号的小波系数分别建模为瑞利分布和拉普拉斯分布,利用最大后验概率(MAP)准则得到了一种解析的Bayesian估计表达式;进一步通过邻域窗口估计模型参数,使算法具有局部自适应性.实验仿真表明,该算法简单有效,在滤除超声图像斑点噪声的同时,较好地保持了图像的细节特征,其性能优于空间域滤波和传统的小波去噪算法.     

基于Contourlet变换和非线性扩散的IVUS图像去噪

血管内超声(IVUS)图像的分割对于动脉粥样硬化疾病的研究和介入治疗具有重要的意义,但由于其自身存在斑点噪声,从而严重影响图像自动分割的准确性和速度.提出一种基于Contourlet变换和非线性扩散的斑点去除算法(CTND);利用自适应的对比度因子,在Contourlet域直接对IVUS图像各方向子带进行非线性扩散滤波,而不需要同态处理.实验结果表明,这种算法在保持IVUS图像强、弱边缘的同时,能有效地去除斑点噪声,并为图像外膜的提取奠定良好的基础.     

基于变分法的超声图像斑点噪声自适应滤波算法

各向异性扩散模型在去除超声图像斑点噪声时不能有效保护图像细节,针对上述问题本文提出基于变分法的自适应最小能量去噪模型.首先直接将由微分方程表示的各向异性扩散模型转化为最小能量变分模型;然后引入欧拉弹性能量模型,在去除噪声的同时有效地保护和增强图像细节.同时为了解决数值求解过程中出现的迭代次数与迭代步长的矛盾,本文还提出迭代停止准则和自适应变步长去噪算法.仿真和真实超声图像的实验结果表明基于变分法的超声图像斑点噪声自适应滤波算法在去噪的同时能够很好地保护细节信息,而且能有效地减少迭代次数.     

一种融合表面波变换与脉冲耦合神经网络的三维肺实质分割算法

针对肺部病变及支气管干扰等因素导致的肺实质分割困难的问题,本文提出一种融合表面波(surfacelet)变换与脉冲耦合神经网络(PCNN)的肺实质分割算法。首先,通过surfacelet变换对三维肺部计算机断层扫描数据进行多尺度多方向分解,利用局部修正拉普拉斯算子选择处理后的子带系数增强图像的边缘特征;然后,经surfacelet逆变换得到增强后的图像作为PCNN的反馈输入;最后,通过循环迭代完成肺实质的分割。所提算法对公开数据集中的样本进行了测试。结果表明,本文算法的分割性能优于surfacelet变换边缘提取算法、三维区域生长算法和三维U形网络(U-NET)算法,能够有效抑制肺部病变及支气管的干扰,得到更完整的肺实质图像。     

基于复小波域非线性扩散的超声图像去噪

超声图像易受斑点噪声的干扰,限制了其在医学诊断中的进一步应用。提出了一种将双树复小波变换(DT-CWT)与非线性扩散相结合的超声图像去噪方法。首先,对图像进行双树复小波分解;然后,高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与小波阈值收缩和全变差扩散结合的方法、基于小波和基于多小波的非线性扩散方法的图像去噪效果进行了比较。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留超声图像原有的边缘和纹理特征。     

超声医学图像非线性滤波算法研究进展

超声医学成像方法具有实时、无创、方便等优点，在临床上得到了广泛的应用。但由于超声医学成像机制的限制，超声医学图像质量不高。对图像进行滤波就是为了提高人眼和计算机对图像细节的识别能力。本研究讨论了应用于去除超声医学图像斑点噪声的非线性滤波算法的研究现状及其特点，重点介绍了基于中值滤波、小波变换、扩散方程的滤波方法，并把相关算法应用于超声医学图像的处理，直观地比较了各种滤波器的性能。最后展望了超声医学图像非线性滤波算法的发展方向。     

基于卷积神经网络的超声图像散斑去噪算法

为了提高超声图像质量,解决传统去噪算法在抑制散斑噪声和保留超声图像纹理特征方面的难题,提出一种基于卷积神经网络的超声图像散斑去噪算法DSCNN(De-speckling CNN)。本文提出的算法利用卷积神经网络强大的拟合能力来学习从超声图像到其相应的高质量图像的复杂映射,同时,通过改进损失函数的方式来减少去噪过程中纹理信息的损失和细节的模糊。不同于以往简单地假设超声散斑噪声为乘性噪声,本文利用基于超声图像采集模型和散斑噪声形成模型的模拟超声成像技术为去噪模型生成更贴合真实超声图像的训练数据,解决深度学习方法训练数据匮乏以及在临床上无法获得与超声图像空间配准作为标签的无噪声图像的难题。通过与其他具有代表性的超声图像去噪算法比较,经DSCNN去噪后的超声图像无论在视觉效果还是图像质量评价指标上都取得了更好的结果,其中SSIM达到0.856 9,在文中所有方法中最高。     

一种基于小波变换的医学图像量化编码算法的研究

医学图像压缩是远程医疗和PACS系统中的重要研究课题，研究了小波子带图像系数的统计分布，发现小波子带图像系数分布和拉普拉斯分布非常相似，继而提出了一种基于其统计特征的图像量化编码算法，该算法以小波子带图像样本标准差为选择量化编码阈值的重要依据。实验表明，该算法具有计算简单，不同阈值范围待编码系数可预测以及易于获得较高压缩效率的优点，在远程医疗和PACS系统等领域的医学图像压缩中有重要的潜在应用价值。     

基于Contourlet变换和PCNN的CT图像椎体解剖轮廓特征提取方法的研究

提出一种新的基于Contourlet变换和脉冲耦合神经网络(PCNN)的医学图像解剖轮廓特征提取算法。首先对原始椎体CT图像进行Contourlet变换,得到能稀疏表示图像边缘以及方向信息的子带和低频子带;然后结合PCNN对低频子带进行边缘轮廓细节提取,最后利用处理后的所有子带系数,通过Contourlet逆变换,提取出图像的边缘轮廓。实验将本算法提取的结果与Canny算子、区域生长法以及结合小波变换和PCNN的算法提取的图像边缘轮廓进行比较,结果表明新算法能够有效的实现医学图像解剖结构轮廓特征的提取。     

基于光学相干层析离体牙图像的去噪算法研究

目的光学相干层析成像因其高分辨率、无损等优点,适于早期龋检测;但由于系统中存在的噪声,影响其成像质量。为了重建牙齿的原貌信息,需寻找一种适于早期龋检测的光学相干层析成像实时图像去噪算法。方法比较平均曲率流滤波、非线性扩散拉普拉斯金字塔算法、非局部均值滤波3种滤波方法对光学相干层析人离体牙图像的去噪效果,从噪声抑制、边界保持、运算时间3方面分析上述3种算法的实时去噪性能及其优缺点。结果非局部均值滤波在噪声抑制和边界保持2个方面能达到很好的平衡,但实时性差;而非线性扩散拉普拉斯金字塔算法则能在滤波效果和运算效率达到较好的平衡;平均曲率流滤波次之。结论非线性扩散拉普拉斯金字塔算法较适于早期龋检测的光学相干层析成像实时图像去噪。     

Off-line determination of the optimal number of iterations of the robust anisotropic diffusion filter applied to denoising of brain MR images

Although anisotropic diffusion filters have been used extensively and with great success in medical image denoising, one limitation of this iterative approach, when used on fully automatic medical image processing schemes, is that the quality of the resulting denoised image is highly dependent on the number of iterations of the algorithm. Using many iterations may excessively blur the edges of the anatomical structures, while a few may not be enough to remove the undesirable noise. In this work, a mathematical model is proposed to automatically determine the number of iterations of the robust anisotropic diffusion filter applied to the problem of denoising three common human brain magnetic resonance (MR) images (T1-weighted, T2-weighted and proton density). The model is determined off-line by means of the maximization of the mean structural similarity index, which is used in this work as metric for quantitative assessment of the resulting processed images obtained after each iteration of the algorithm. After determining the model parameters, the optimal number of iterations of the algorithm is easily determined without requiring any extra computation time. The proposed method was tested on 3D synthetic and clinical human brain MR images and the results of qualitative and quantitative evaluation have shown its effectiveness.     

眼科高频超声成像中斑点噪声抑制算法的研究

目的 斑点噪声是超声图像中存在的固有问题,而在眼科高频超声这种更为精细的超声检查中,有效地抑制斑点噪声能提高图像的质量,有助于临床医生对病情的判别.方法 提出了一种新的基于拉普拉斯（Laplacian）金字塔的多尺度斑点去噪方法.采用Laplacian金字塔,从斑点噪声中分离出临床图像特征,根据每层子带图像不同尺度及特点,从小尺度到大尺度,首先采用改进后的八方向各向异性斑点去噪（SRAD）去除图像斑点,然后增强图像的边缘、细节及对比度等方面.该方法与传统的SRAD滤波及相干增强滤波（CEDIF）进行对比,采用等效视数及算法的时间耗费对实验结果进行量化评估.结果 与传统SRAD滤波及CEDIF滤波方法相比,基于Laplacian金字塔的多尺度各向异性斑点去噪方法均高于前两种方法（1.172 3 vs 1.122 3、0.929 3及0.864 0 vs 1.396 0、1.468 3）.结论 本研究提出的基于Laplacian金字塔的多尺度各向异性斑点去噪方法在更有效地去除图像斑点噪声的同时,能很好地保存图像边缘及图像细节等.     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

基于稀疏分解的医学CT图像去噪

医学CT图像成像过程中,由于成像机制的影响,不可避免的引入噪声。图像中的噪声会降低图像质量,影响临床诊断。因此,有必要对医学CT图像进行去噪处理。本文采用图像的稀疏分解方法来对混有噪声的肝癌CT图像进行消噪处理,提出分块稀疏分解去噪。实验表明,本文算法对医学图像中噪声去除有一定效果。在分解原子个数相同的条件下,本文方法去噪后重建图像比在整幅图像上进行稀疏去噪重建的计算速度提高了约15倍。     

基于比率距离的自适应超声图像去噪方法

针对超声图像噪声的瑞利分布特性,使用一种新的自适应超声图像去噪方法,改进固定窗口包含边缘时无法做到沿边缘方向滤波的不足。采用可自由伸缩的自适应滤波窗口,首先针对瑞利分布的噪声引入比率距离,得到超声图像像素间的相似度距离,然后考虑像素的邻域图像块均值,解决相似度距离之间比较的问题,最后像素根据新的相似度距离进行八方向伸展,得到不规则形状的滤波窗口进行去噪。用仿真超声图像和临床超声图像进行实验,图像评价指标结果表明该算法优于经典算法,更适用于去除超声图像的斑点噪声,在去除噪声的同时能够较好地保留细节边缘。     

Digital Radiographic Image Denoising Via Wavelet-Based Hidden Markov Model Estimation

This paper presents a technique for denoising digital radiographic images based upon the wavelet-domain Hidden Markov tree (HMT) model. The method uses the Anscombes transformation to adjust the original image, corrupted by Poisson noise, to a Gaussian noise model. The image is then decomposed in different subbands of frequency and orientation responses using the dual-tree complex wavelet transform, and the HMT is used to model the marginal distribution of the wavelet coefficients. Two different correction functions were used to shrink the wavelet coefficients. Finally, the modified wavelet coefficients are transformed back into the original domain to get the denoised image. Fifteen radiographic images of extremities along with images of a hand, a line-pair, and contrast–detail phantoms were analyzed. Quantitative and qualitative assessment showed that the proposed algorithm outperforms the traditional Gaussian filter in terms of noise reduction, quality of details, and bone sharpness. In some images, the proposed algorithm introduced some undesirable artifacts near the edges.     

基于改进U-Net网络的内窥镜图像烟雾净化算法

在微创手术中,电灼、激光烧蚀等操作产生的烟雾严重影响图像质量,遮挡医生视野,增加手术风险,同时也降低计算机辅助手术算法(如分割、三维重建、跟踪等)的性能,因此需要实时去除烟雾,以保持清晰的视野.提出一种基于改进U-Net网络的烟雾净化算法:为了保留更多图像细节,在U-Net网络编码器部分加入经过拉普拉斯金字塔变换的烟雾...