發(fā)布時間：2017-09-11 14:00

  本文關(guān)鍵詞：基于小波和稀疏表示的CBCT圖像去噪

  更多相關(guān)文章： CBCT圖像去噪 聚類稀疏表示 小波閾值 WCMS

【摘要】：近年來,隨著腫瘤發(fā)病率以及病人死亡率的升高,治療腫瘤的技術(shù)也在不斷改善,其中,放射治療技術(shù)因發(fā)展快速,在臨床治療中的地位不斷提高。圖像引導(dǎo)放射治療(Image-guided Radiotherapy,IGRT)被認(rèn)為是目前最先進(jìn)的一種精確放療技術(shù),基于錐束CT(Cone Beam CT,CBCT)成像的IGRT技術(shù)能夠使放療精度提高。CBCT的實(shí)時性好且靈敏度高,同時使用方便,但圖像的軟組織對比度低,且有偽影,另外噪聲也較嚴(yán)重,特別是圖像的弱邊緣會由于噪聲的混入而變得模糊,不僅會妨礙準(zhǔn)確獲取擺位信息,而且還會影響后續(xù)的配準(zhǔn)以及分割等操作,從而增加診斷的難度。CBCT圖像的噪聲主要受X射線劑量的影響,盡管增加劑量會使圖像噪聲明顯降低,但患者的吸收劑量會提高,這對其健康非常不利。因此,在低劑量前提下,對CBCT圖像去噪,從而獲得高質(zhì)量圖像的研究具有重要的臨床意義。本文首先闡述了常用醫(yī)學(xué)圖像中含有的噪聲,并對相應(yīng)去噪算法進(jìn)行介紹,接下來重點(diǎn)圍繞CBCT圖像,在分析其成像原理、質(zhì)量影響因素以及已有去噪算法的基礎(chǔ)上,針對聚類稀疏表示去噪算法,提出了聯(lián)合小波閾值與聚類稀疏表示、WCMS與聚類稀疏表示的兩種CBCT圖像去噪方法。本文主要工作和創(chuàng)新點(diǎn)如下:(1)研究了基于聚類稀疏表示的圖像去噪算法,利用圖像的自相似性使用K-means聚類將相似塊聚類并利用主成分分析(Principal Component Analysis,PCA)訓(xùn)練圖像得到稀疏表示所需的字典,所有的子字典構(gòu)成一個結(jié)構(gòu)稀疏字典,結(jié)構(gòu)稀疏字典相比于傳統(tǒng)的過完備字典,降低了計(jì)算復(fù)雜度,減少了字典評估的自由度,而且子字典對相應(yīng)聚類上圖像塊的表示更具針對性。然而,字典的適應(yīng)性很大程度上取決于聚類的準(zhǔn)確性,聚類不準(zhǔn)確會導(dǎo)致圖像的細(xì)節(jié)信息丟失。(2)針對聚類稀疏表示去噪算法細(xì)節(jié)信息保持能力差的特點(diǎn),提出使用小波閾值作為預(yù)處理,并對全局閾值進(jìn)行改進(jìn),加入的小波閾值預(yù)處理,將含噪圖像的高頻分量提取出來,降低了噪聲對聚類準(zhǔn)確性的影響,同時改善了圖像細(xì)節(jié)信息,需要的聚類數(shù)目更少,從而使算法計(jì)算復(fù)雜度降低,提出的算法保護(hù)和改善了圖像細(xì)節(jié)和邊緣信息。(3)提出一種聯(lián)合WCMS(wavelet coefficient magnitude sum)和聚類稀疏表示的去噪方法。針對WCMS方法去噪效果差但邊緣保護(hù)性強(qiáng)以及聚類稀疏表示去噪能力強(qiáng)但邊緣保護(hù)性差的特點(diǎn),把兩種算法相結(jié)合,分別對圖像去噪后再融合,發(fā)揮它們各自的優(yōu)勢,得到去噪效果較強(qiáng)的方法。通過對測試模體圖像以及臨床上獲得CBCT圖像進(jìn)行去噪實(shí)驗(yàn),結(jié)果顯示本文提出的兩種方法在取得較好去噪效果的同時可以很好地保持圖像的邊緣以及細(xì)節(jié)信息,還能夠增強(qiáng)圖像的對比度,對放療擺位信息的準(zhǔn)確獲取以及臨床診斷應(yīng)用有很大的幫助。
【關(guān)鍵詞】：CBCT圖像去噪 聚類稀疏表示 小波閾值 WCMS
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R730.55;TP391.41
【目錄】：

• 摘要6-8
• Abstract8-10
• 符號說明10-11
• 第一章 緒論11-15
• 1.1 課題研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文主要工作及安排14-15
• 第二章 醫(yī)學(xué)圖像的去噪研究15-21
• 2.1 醫(yī)學(xué)圖像噪聲分析15-17
• 2.1.1 醫(yī)學(xué)圖像噪聲的分類15
• 2.1.2 醫(yī)學(xué)圖像去噪的意義15-16
• 2.1.3 CT圖像去噪16-17
• 2.1.4 MRI圖像去噪17
• 2.2 CBCT圖像17-20
• 2.2.1 成像原理18
• 2.2.2 質(zhì)量的影響因素18
• 2.2.3 CBCT圖像的去噪18-20
• 2.3 本章小結(jié)20-21
• 第三章 基于小波閾值和聚類稀疏表示的去噪算法21-37
• 3.1 稀疏表示理論21-23
• 3.1.1 稀疏表示模型21-22
• 3.1.2 稀疏分解算法與字典構(gòu)造方法22-23
• 3.2 基于字典學(xué)習(xí)的稀疏表示圖像去噪模型23-26
• 3.3 基于聚類稀疏表示(CSR)的去噪算法26-32
• 3.3.1 圖像塊結(jié)構(gòu)聚類與PCA字典學(xué)習(xí)26-28
• 3.3.2 聚類稀疏表示去噪算法介紹28-31
• 3.3.3 聚類稀疏表示去噪結(jié)果分析31-32
• 3.4 基于小波閾值和聚類稀疏表示的CBCT圖像去噪32-33
• 3.4.1 改進(jìn)后算法步驟33
• 3.4.2 改進(jìn)后算法流程33
• 3.5 實(shí)驗(yàn)結(jié)果及分析33-36
• 3.5.1 測試模體圖像去噪對比實(shí)驗(yàn)33-35
• 3.5.2 臨床CBCT圖像去噪對比實(shí)驗(yàn)35-36
• 3.6 本章小結(jié)36-37
• 第四章 基于WCMS和聚類稀疏表示的去噪算法37-43
• 4.1 WCMS算法介紹37-39
• 4.2 CBCT圖像去噪算法的改進(jìn)39
• 4.2.1 改進(jìn)后算法步驟39
• 4.2.2 改進(jìn)后算法流程39
• 4.3 實(shí)驗(yàn)結(jié)果及分析39-42
• 4.3.1 測試模體圖像去噪對比實(shí)驗(yàn)39-41
• 4.3.2 臨床CBCT圖像去噪對比實(shí)驗(yàn)41-42
• 4.4 本章小結(jié)42-43
• 第五章 總結(jié)與展望43-44
• 5.1 本文主要工作的總結(jié)43
• 5.2 未來工作的展望43-44
• 參考文獻(xiàn)44-48
• 致謝48

，

本文編號：831117