本文關(guān)鍵詞：基于結(jié)構(gòu)相似性的磁共振圖像去噪新算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：磁共振成像技術(shù)(magnetic resonance imaging, MRI)具有無創(chuàng)性、高分辨率、多模式成像方式等優(yōu)點(diǎn),并能夠顯示人體內(nèi)部的三維結(jié)構(gòu)信息。目前,MRI已經(jīng)被廣泛應(yīng)用于臨床診斷和科學(xué)研究領(lǐng)域。然而,受磁共振成像機(jī)制和人體限制,圖像不可避免的會(huì)引入噪聲。尤其是在高分辨率和快速成像時(shí),圖像噪聲會(huì)更加嚴(yán)重。這些噪聲會(huì)模糊圖像細(xì)節(jié),降低圖像的信噪比,影響臨床診斷和后續(xù)的分析任務(wù)。因此,如何去除噪聲,提高圖像的信噪比已經(jīng)成為磁共振圖像處理領(lǐng)域的一個(gè)重要課題。我們可以對(duì)多次重復(fù)采集到的數(shù)據(jù)進(jìn)行平均來得到更高質(zhì)量的圖像。然而這種方式會(huì)增加成像時(shí)間和成本,而且由于成像時(shí)間過長(zhǎng),會(huì)增加人體在成像過程中運(yùn)動(dòng)的可能性,導(dǎo)致圖像偽影。因此通過平均多次采集數(shù)據(jù)來提高圖像信噪比在實(shí)際應(yīng)用當(dāng)中不具有可行性。另一種方法是通過圖像后處理技術(shù)對(duì)圖像進(jìn)行去噪,這種方法不需要增加成像時(shí)間,因而在近幾十年里得到了人們普遍的關(guān)注與研究,并被廣泛地應(yīng)用到臨床診斷和治療當(dāng)中。磁共振去噪算法種類眾多,其中最經(jīng)典的兩種方法是非局部均值去噪算法(nonlocal means, NLM)和三維塊匹配去噪算法(block matching and 3D filtering, BM3D),這兩種方法都是利用圖像塊之間的結(jié)構(gòu)相似性進(jìn)行去噪的。具體地說,Buades等人在2005年提出了非局部均值去噪算法,基本思想是圖像一般具有結(jié)構(gòu)相似性,即同一結(jié)構(gòu)會(huì)在圖像中重復(fù)出現(xiàn)多次如圖像邊緣,我們可以利用這些冗余信息對(duì)圖像進(jìn)行去噪。NLM去噪算法中,對(duì)任何一個(gè)去噪像素點(diǎn),在固定搜索窗內(nèi)尋找與去噪像素點(diǎn)所在塊相似的塊,對(duì)這些具有相似塊結(jié)構(gòu)的像素進(jìn)行加權(quán)平均來達(dá)到去噪目的。BM3D是在NLM算法基礎(chǔ)上發(fā)展起來的又一個(gè)經(jīng)典的去噪算法,它是由Dabov等人在2007年提出的一種基于結(jié)構(gòu)相似性的稀疏去噪算法,該算法利用圖像塊之間的結(jié)構(gòu)相似性和相似塊之間的稀疏性來對(duì)圖像進(jìn)行去噪,去噪圖像質(zhì)量高,精度高,是目前去噪領(lǐng)域公認(rèn)最先進(jìn)的去噪算法。Rajwade等人在2013年提出了基于高階奇異值分解(higher-order singular value decomposition, HOSVD)的去噪算法,該算法與BM3D算法類似,都利用了圖像塊之間的結(jié)構(gòu)相似性和稀疏性。不同點(diǎn)在于BM3D所用的變換基是離散余弦變換(discrete cosine transform, DCT)基和小波基,這兩種基都是固定基,不隨圖像內(nèi)容不同而變化。而HOSVD基是從圖像學(xué)習(xí)得到的自適應(yīng)基,能夠更好更稀疏的表達(dá)圖像內(nèi)容。本文主要研究了基于HOSVD的去噪算法和NLM去噪算法,并在此基礎(chǔ)之上做了以下三個(gè)主要工作：(1)本文提出了一種基于高階奇異值分解的三維磁共振圖像去噪算法。Rajwade等人在2013年提出了HOSVD去噪算法和基于維納濾波增廣的HOSVD去噪算法(wiener filter-augmented HOSVD, HOSVD-W),用來處理帶有高斯白噪聲的二維自然圖像。由于HOSVD算法在去噪方面具有很大的潛力,而且目前尚未有人將其用在磁共振(MR)圖像去噪研究中。因此我們首先將HOSVD-W算法簡(jiǎn)單地?cái)U(kuò)展并應(yīng)用到三維磁共振圖像去噪中。然后我們又提出了一種基于正則化遞歸的兩步HOSVD去噪算法(recursive HOSVD, HOSVD-R),用于三維MR圖像去噪。HOSVD-R去噪算法包含兩步HOSVD去噪,第一步HOSVD去噪和標(biāo)準(zhǔn)的基于塊匹配的HOSVD去噪算法步驟相同,即將結(jié)構(gòu)相似的三維塊堆列在一起組成四階張量,然后對(duì)這個(gè)四階張量進(jìn)行HOSVD分解得到相應(yīng)的變換系數(shù)和變換基,對(duì)變換系數(shù)進(jìn)行硬閾值操作,隨后進(jìn)行逆HOSVD變換得到估計(jì)的三維塊組,將這些估計(jì)塊通過加權(quán)平均方式放回原來位置從而得到預(yù)濾波圖像。HOSVD-R的第二步是一個(gè)基于正則化迭代的HOSVD去噪過程,簡(jiǎn)單地說,先往預(yù)濾波圖像中加入部分濾波噪聲得到組合圖像,然后對(duì)組合圖像再進(jìn)行一次基于塊匹配的HOSVD去噪。任何一種去噪算法去除的噪聲當(dāng)中都包含一定的結(jié)構(gòu)信息,通過正則化遞歸方式向?yàn)V波圖像中加入部分噪聲,可使去噪效果向著更好的方向進(jìn)行。本方法考慮了三維常規(guī)MR圖像,噪聲模型為萊斯噪聲。HOSVD一般適用于方差獨(dú)立的高斯噪聲,因而不能夠直接對(duì)帶有萊斯噪聲的MR圖像進(jìn)行去噪。為了得到方差獨(dú)立的噪聲圖像和濾波圖像的無偏估計(jì),我們?cè)谌ピ肭昂蠓謩e進(jìn)行了方差穩(wěn)定性變換和逆方差穩(wěn)定性變換。我們將這兩種基于HOSVD方法 (HOSVD-W, HOSVD-R)與目前兩種最先進(jìn)的MR去噪算法進(jìn)行比較,分別進(jìn)行了模擬實(shí)驗(yàn)和真實(shí)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果說明了HOSVD-R去噪算法優(yōu)于其他幾種算法。(2)本文提出了一種基于高階奇異值分解的擴(kuò)散加權(quán)圖像去噪算法。擴(kuò)散加權(quán)成像(diffusion-weighted imaging, DWI)是20世紀(jì)90年代初中期發(fā)展起來的MRI新技術(shù),能夠無創(chuàng)的檢測(cè)活體生物組織內(nèi)水分子的擴(kuò)散運(yùn)動(dòng),在臨床上具有重要的應(yīng)用價(jià)值。如DWI可用于診斷超早期腦中風(fēng),能夠發(fā)現(xiàn)常規(guī)MR成像顯示不出來的異常信號(hào)。其他一些腦組織病變也可在擴(kuò)散加權(quán)(diffusion-weighted,DW)圖像上面觀測(cè)出來。然而,DW圖像經(jīng)常受到噪聲污染,其信噪比一般低于常規(guī)MR圖像,尤其是在高分辨率或是高b值成像時(shí)。DW圖像中的噪聲會(huì)模糊掉圖像細(xì)節(jié),影響臨床診斷和后續(xù)的量化分析。基于HOSVD的去噪算法是一種簡(jiǎn)單的、基于結(jié)構(gòu)相似性和稀疏性的去噪方法。該方法針對(duì)內(nèi)容不同的相似塊組,通過訓(xùn)練學(xué)習(xí)得到不同的自適應(yīng)基,能夠更好地表達(dá)圖像內(nèi)容。不同于奇異值分解,高階奇異值分解不需要將高維數(shù)據(jù)展開成矩陣來進(jìn)行分解,不會(huì)破壞數(shù)據(jù)內(nèi)部的拓?fù)浣Y(jié)構(gòu),因而能夠更好的利用高維數(shù)據(jù)之間的相關(guān)信息和冗余信息進(jìn)行稀疏去噪。與常規(guī)MR圖像相比,DW圖像不但在空間域具有結(jié)構(gòu)相似性,而且在擴(kuò)散編碼方向上具有高度相關(guān)性。因而,HOSVD去噪算法更適合這種相關(guān)信息更為豐富的DW圖像,能夠更稀疏的表達(dá)DW圖像內(nèi)容。然而,這種通過圖像本身學(xué)習(xí)得到的基,易受圖像噪聲影響,尤其是對(duì)信噪比較低的DW圖像。在我們的初步實(shí)驗(yàn)中發(fā)現(xiàn)基于塊匹配的HOSVD方法能夠有效的去除噪聲并很好的保留圖像細(xì)節(jié),但卻在均勻區(qū)域產(chǎn)生了條紋偽影現(xiàn)象。我們假設(shè)條紋偽影是由于均勻區(qū)域內(nèi)的組合塊具有相似的噪聲結(jié)構(gòu),通過學(xué)習(xí)這些具有相似噪聲結(jié)構(gòu)的組合塊得到了退化的HOSVD基,這些退化的HOSVD基在去噪過程中導(dǎo)致了條紋偽影。為了提高去噪圖像質(zhì)量,減少條紋偽影,我們引入了全局HOSVD去噪,用全局HOSVD濾波后的圖像指導(dǎo)后續(xù)的基于塊匹配的HOSVD去噪。全局HOSVD去噪可以從以下兩個(gè)方面提高基于塊匹配的HOSVD去噪結(jié)果。(a)為了提高尋找相似塊的準(zhǔn)確度,我們通過計(jì)算預(yù)濾波圖像塊之間的距離來確定塊的相似性。(b)與原始噪聲圖像相比,預(yù)濾波圖像噪聲明顯減少,因此可以利用預(yù)濾波圖像中相似塊組的HOSVD基對(duì)原始噪聲圖像相應(yīng)的相似塊組進(jìn)行變換,從而減少最終去噪圖像中的條紋偽影。為了與全局HOSVD去噪?yún)^(qū)別開,我們稱塊匹配的HOSVD去噪為局部HOSVD去噪。為了證明引入全局HOSVD去噪步驟的有效性,我們比較了幾種基于HOSVD的去噪方法。本方法考慮了萊斯噪聲和非中心卡方噪聲模型。同樣地,為了得到方差獨(dú)立的噪聲圖像和去噪圖像的無偏估計(jì),我們?cè)谌ピ肭昂蠓謩e加入了方差穩(wěn)定性變換和逆方差穩(wěn)定性變換。模擬實(shí)驗(yàn)結(jié)果表明將全局HOSVD去噪引入到局部HOSVD去噪算法中,能夠有效地提高去噪圖像質(zhì)量,減輕條紋偽影現(xiàn)象。此外,我們又將所提方法與另外兩種先進(jìn)的DW圖像去噪算法進(jìn)行了實(shí)驗(yàn)對(duì)比,實(shí)驗(yàn)結(jié)果表明所提方法在去噪的同時(shí)能夠更好地恢復(fù)圖像細(xì)節(jié),同時(shí)得出更精確的FA (fractional anisotropy)參數(shù)圖。(3)本文提出了一種基于非局部均值的MR圖像去噪算法。NLM算法利用圖像塊之間的結(jié)構(gòu)相似性進(jìn)行去噪,能夠在去噪的同時(shí)很好的保留圖像細(xì)節(jié)。但是,這種算法導(dǎo)致MR圖像中具有高對(duì)比度的小顆粒結(jié)構(gòu)細(xì)節(jié)的模糊或丟失。由于這些高對(duì)比度的小顆粒結(jié)構(gòu)信息可能與臨床相關(guān),這些小顆粒結(jié)構(gòu)信息的丟失可能會(huì)導(dǎo)致臨床的誤診或漏診,因而在臨床上是不能夠被接受的。具本人所知,NLM算法導(dǎo)致小顆粒結(jié)構(gòu)信息模糊或丟失的問題目前還沒有人研究過,包括在MR圖像去噪方面。通過大量的實(shí)驗(yàn)分析,我們發(fā)現(xiàn)基于NLM算法的小顆粒細(xì)節(jié)的丟失與中心像素的權(quán)重策略有關(guān)。在傳統(tǒng)的NLM算法中,為了避免中心像素的權(quán)重值過大,Buades等人提出用搜索窗內(nèi)非中心像素對(duì)應(yīng)的最大權(quán)重做為中心像素的權(quán)重值。這種權(quán)重策略在后續(xù)基于NLM改進(jìn)的算法中被廣泛采納。然而,當(dāng)中心像素灰度值與搜索窗內(nèi)其他像素灰度值明顯不同時(shí),這種中心像素權(quán)重策略會(huì)降低中心像素值對(duì)濾波值的貢獻(xiàn)。因而,NLM不可避免的會(huì)模糊或是濾掉小顆粒結(jié)構(gòu)信息。為了保留MR圖像中小顆粒結(jié)構(gòu)信息,我們提出一種新穎的權(quán)重方法,即聯(lián)合像素相似性和塊相似性的權(quán)重方法。也就是說,在搜索窗內(nèi),對(duì)于非中心像素點(diǎn)來說,只有那些與中心像素點(diǎn)灰度值相似,并且所在塊與中心像素點(diǎn)所在塊相似的像素才被賦予高的權(quán)重；對(duì)于中心像素點(diǎn)來說,只有與權(quán)重最大的非中心像素的灰度值相似的時(shí)候,才被賦予非中心權(quán)重的最大值,否則給予更高的權(quán)重來增大中心像素值對(duì)濾波結(jié)果的貢獻(xiàn)。本方法考慮了MR圖像的萊斯噪聲模型,為了得到MR去噪圖像的無偏估計(jì),我們采用了Wiest-Daessle等人提出的萊斯NLM (Rician adapted NLM, RNLM)算法的無偏估計(jì)模型。我們將所提方法與RNLM算法進(jìn)行了比較,模擬實(shí)驗(yàn)和真實(shí)實(shí)驗(yàn)結(jié)果說明我們的方法能夠在去噪的同時(shí)很好的保留圖像中的小顆粒結(jié)構(gòu)信息。
【關(guān)鍵詞】：磁共振圖像 擴(kuò)散加權(quán)圖像 圖像去噪 非局部均值去噪算法 高階奇異值分解
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-8
• ABSTRACT8-17
• 第一章 緒論17-22
• 1.1 磁共振成像概述17-18
• 1.2 磁共振成像的醫(yī)學(xué)臨床應(yīng)用18-19
• 1.3 醫(yī)學(xué)磁共振圖像去噪的目的和意義19-20
• 1.4 本文的研究?jī)?nèi)容和結(jié)構(gòu)安排20-22
• 第二章 磁共振圖像去噪研究概況22-31
• 2.1 磁共振成像的基本原理22
• 2.2 磁共振圖像噪聲分析22-24
• 2.3 磁共振圖像常見的去噪算法24-31
• 2.3.1 低通高斯濾波24-25
• 2.3.2 基于梯度的去噪算法25-26
• 2.3.3 基于變換域的去噪算法26
• 2.3.4 基于最大似然估計(jì)的去噪算法26-27
• 2.3.5 非局部均值去噪算法27-28
• 2.3.6 三維塊匹配去噪算法28-29
• 2.3.7 基于高階奇異值分解的去噪算法29-31
• 第三章 張量和高階奇異值分解31-36
• 3.1 張量基本概念31-33
• 3.2 奇異值分解33-34
• 3.3 高階奇異值分解34-36
• 第四章 基于高階奇異值分解的三維磁共振圖像去噪36-55
• 4.1 本章前言36-38
• 4.2 基于HOSVD二維圖像去噪算法38-40
• 4.3 HOSVD-W在三維MR圖像去噪中的應(yīng)用40-41
• 4.4 HOSVD-R去噪算法41-42
• 4.5 實(shí)驗(yàn)設(shè)置42-49
• 4.5.1 實(shí)驗(yàn)數(shù)據(jù)42-46
• 4.5.2 評(píng)價(jià)方法46
• 4.5.3 參數(shù)選擇46-49
• 4.6 實(shí)驗(yàn)結(jié)果與分析49-52
• 4.6.1 模擬實(shí)驗(yàn)結(jié)果與分析49-52
• 4.6.2 真實(shí)實(shí)驗(yàn)結(jié)果與分析52
• 4.7 本章討論和結(jié)論52-55
• 第五章 基于高階奇異值分解的擴(kuò)散加權(quán)圖像去噪算法55-78
• 5.1 本章前言55-58
• 5.2 GL-HOSVD算法實(shí)現(xiàn)58-63
• 5.2.1 GL-HOSVD的第一步去噪過程59-60
• 5.2.2 GL-HOSVD的第二步去噪過程60-62
• 5.2.3 GL-HOSVD對(duì)非高斯噪聲的DWI幅值圖像去噪62-63
• 5.3 實(shí)驗(yàn)設(shè)置63-73
• 5.3.1 實(shí)驗(yàn)數(shù)據(jù)63-64
• 5.3.2 評(píng)價(jià)方法64-65
• 5.3.3 參數(shù)選擇65-67
• 5.3.4 算法驗(yàn)證67-69
• 5.3.5 不同DWI去噪算法比較69-73
• 5.4 實(shí)驗(yàn)結(jié)果與分析73-76
• 5.4.1 模擬實(shí)驗(yàn)結(jié)果與分析73-74
• 5.4.2 真實(shí)實(shí)驗(yàn)結(jié)果與分析74-76
• 5.5 本章討論與小結(jié)76-78
• 第六章 基于非局部均值的磁共振圖像去噪算法78-94
• 6.1 引言78-79
• 6.2 非局部均值濾波79-81
• 6.3 RNLM-CPP去噪算法的實(shí)現(xiàn)81-83
• 6.4 實(shí)驗(yàn)設(shè)置83-85
• 6.4.1 實(shí)驗(yàn)數(shù)據(jù)83
• 6.4.2 評(píng)價(jià)方法83-84
• 6.4.3 參數(shù)選擇84-85
• 6.5 實(shí)驗(yàn)結(jié)果與分析85-93
• 6.5.1 模擬實(shí)驗(yàn)結(jié)果85-90
• 6.5.2 真實(shí)實(shí)驗(yàn)結(jié)果90-93
• 6.6 本章討論與小結(jié)93-94
• 第七章 總結(jié)與展望94-97
• 7.1 本文工作總結(jié)94-95
• 7.2 未來工作展望95-97
• 參考文獻(xiàn)97-108
• 博士期間成果108-110
• 致謝110-111

  本文關(guān)鍵詞：基于結(jié)構(gòu)相似性的磁共振圖像去噪新算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：291758