基于高阶奇异值分解和Rician噪声校正模型的扩散加权图像去噪算法

目的 研究一种新颖的基于高阶奇异值分解（HOSVD）的扩散加权图像去噪算法,用以提高扩散加权（DW）图像的信噪比以及后续量化参数的准确性。方法 我们提出一种基于HOSVD稀疏约束和Rician噪声校正模型的去噪方法,将Rician噪声信号期望融合到传统的HOSVD去噪框架中,从而能够直接对带有Rician噪声的DW图像进行去噪。此外,考虑到对相似块组成的高维数组进行HOSVD去噪处理,容易引入条形伪影,因此本文直接对每个局部DW图像块进行HOSVD去噪,从而解决了条形伪影问题。为了验证所提方法的有效性,我们将本方法与低秩+边缘约束（LR+Edge）、基于全局指导下的局部高阶奇异值分解（GL-HOSVD）、基于块匹配的三维滤波（BM3D）和非局部均值（NLM）4种去噪算法进行了实验对比。结果 实验结果表明,所提方法能够有效降低DW图像噪声,同时较好的保留图像细节以及边缘结构信息。无论是从DW图像的峰值信噪比（PSNR）和结构相似性（SSIM）以及各向异性分数均方根误差定量指标,还是从去噪图像和各向异性分数图的视觉效果来看,本算法都要明显优于LR+Edge,BM3D和NLM。此外,GL-HOSVD虽然可以得到较好的去噪结果,但是在高噪声水平下,会引入条形伪影,而本文方法不但可以得到较好的去噪结果,并且不存在伪影问题。结论 本文提出了一种新颖的HOSVD去噪方法,可以直接处理带有Rician噪声的DW图像,并且解决了同类算法中伪影问题,去噪效果明显,能够为临床提供更准确的量化参数结果,更好服务于临床影像诊断。