基于2D-VMD和BD结合的医学图像去噪算法

为提高去噪图像质量,提出了一种基于二维变分模态分解算法(2D-VMD:Two Dimensional Variational Mode Decomposition)和巴氏距离(BD:Bhattacharyya Distance)的结合算法用于图像去噪。该算法首先使用2D-VMD算法将图像分解为若干个固有模态函数(IMFs:Intrinsic Mode Functions);然后使用BD测量每个IMF的概率密度函数(PDF:Probability Density Function)与原图像PDF间的几何距离,区分出信号主导IMF和噪声主导IMF;最后将噪声主导IMF经小波阈值去噪后与信号主导IMF重构,得到去噪图像。将算法应用于医学图像去噪,理论分析和仿真结果表明,2D-VMD和BD结合算法与全变分模型(ROF:Rudin Osher Fatemi)算法、中值滤波和小波阈值滤波相比,其在主观和客观评价方面都具有较好的去噪效果,有效地提高了去噪图像质量。

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.

基于小波软阈值滤波的医学图像去噪

目的:为了更好的去除DR医学图像噪声。方法:通过分析其噪声来源,在小波去噪的基础上进行改进。引入方差不变性变换来调整原始图像的噪声模型为高斯噪声模型。图像分解为不同频率的不同子带的小波系数,分别进行不同阈值的滤波。结果:与普通的全局小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。结论:用此方法处理DR图像在噪声去除、细节质量及骨骼锐化等方面比传统的高斯滤波及小波全局阈值滤波等方法效果要好。

基于NSCT和全变差模型的医学图像去噪(英文)

分析了非下采样Contourlet变换(nonsubsampled Contourlet transform,NSCT)和全变差模型的特点,提出将NSCT和全变差混合模型应用于医学图像去噪.首先,通过NSCT变换将含噪图像分解,运用Visu萎缩阈值将NSCT系数进行处理,得到初次去噪图像.然后,采用全变差模型对初次去噪图像进一步处理得到最终去噪图像.实验结果表明:该方法可以很好地保留图像细节,无论在客观上的峰值信噪比还是主观上的视觉效果都优于其他去噪方法.

一种医学图像去噪程序的并行优化

目的:在采集、处理和传输过程中,医学图像会存在各种噪声,严重影响医学图像的质量和后续对图像的各种处理,因此医学图像去噪具有重要意义。同时医学图像数据量大,去噪处理算法复杂,在一般个人电脑上进行医学图像去噪仍是一个非常耗时的过程,很难满足实际应用中高实时性的要求,因此需要通过优化来提高去噪的处理速度。方法:本文利用CUDA(Compute Unified Device Architecture)并行编程对基于同质算法的三维医学图像去噪进行加速,CPU和GPU(Graphic Processor Unit)异构编程方式能发挥GPU高强度的计算能力,提高算法的执行速度。通过使用纹理存储器将图像数据与纹理绑定,优化存储器访问,提高数据访问速度。优化过程中,合理选择三维图像数据的分块方式和线程块维度,可以获得更快的加速。结果:与基于同质的matlab和CPU去噪程序相比,并行优化后GPU程序在保持去噪图像质量的前提下可以达到几百倍的加速。结论:CUDA加速大大缩短了三维医学图像去噪的运行时间,解决了医学图像去噪的速度瓶颈问题,可以应用于对运行速度有要求的图像处理中。

基于偏微分方程的保持纹理细节的医学图像去噪方法

基于偏微分方程的医学图像去噪方法已公认为具有显著效果的去噪技术。常用的偏微分方程去噪方法虽然可以去除变化平缓的图像中的噪声,同时保持边缘结构信息,但对带有较多纹理细节的医学图像的去噪效果却不太理想。在对目前有关纹理医学图像理解和综合的基础上,介绍了三种纹理图像去噪技术。第一种自适应调整参数的全变分方法,在不同尺度空间下去噪,可保持纹理和细节;第二种将医学图像空间由BV空间上升到G空间以保持纹理;第三种使用多尺度分解噪声以保持细节特征。这些方法均能在实际应用中达到一定的效果,但是如何更好的去除噪声,文章对其进行分析,并提出新的改进思路。

生成对抗网络医学图像去噪研究综述

医学图像作为辅助医生诊断和治疗的重要手段,其清晰度对临床医疗的重要性不言而喻。生成对抗网络(GAN)独特的对抗训练思想在图像生成任务中展现出强大的学习能力,因其能生成高质量的样本,故在计算机视觉领域的研究前景光明。针对GAN应用于医学图像去噪任务进行概括和总结。首先介绍GAN的基础理论和优缺点;然后对适用于医学图像去噪的GAN的衍生模型进行详细介绍,总结有助于提升GAN医学图像去噪性能的各种损失函数及其作用,以及其他可以嵌套在GAN模型中并对医学图像去噪起辅助作用的深度学习类框架;并总结提升医学图像去噪的GAN网络性能的方法;最后探讨了GAN用于医学图像去噪的应用前景、面临的挑战以及未来可能的研究方向。

数字滤波技术在医学图像去噪中的应用

针对数字滤波技术,对其在医学图像去噪中的应用问题进行阐述。先分析了图像噪声的相关信息,包括图像噪声的含义、图像噪声的分类等;再对数字滤波技术进行分析和阐述;最后结合实验,对数字滤波在医学图像去噪中的应用方法进行分析,以进一步加深相关人员对数字滤波技术的认识,为全面强化医学图像去噪水平奠定基础。

PET/CT医学图像去噪方法的研究

噪声元素在光子量有限的最大似然期望最大化(MLEM)方法重建PET/CT(positron emission tomography/computed tomography)图像研究的过程中影响甚至加重图像特征明暗度变化。为减小这类影响,该文提出了一种包含解剖端信息的中值非局部平均算法(AMNLM)。该算法是对适用低信噪比图像去噪的非局部平均算法(NLM)的改进。将该算法应用于临床肺部病变患者PET/CT图像的分析研究。参数反演结果表明,在视觉评估、病变对比度和噪声的权衡方面与中值滤波方法、小波滤波方法和传统NLM方法相比较,该方法具有更好的去噪效果,从而也验证了该方法的有效性。

基于OSV模型的迭代规则化医学图像去噪方法

提出一种基于Osher-Sole-Vese(OSV)模型的迭代规则化医学图像去噪方法。该方法使用迭代规则化方式,通过加入分解出的纹理和细节震动信号以修正原始OSV模型的全变分去噪结果,在一定程度上克服了医学图像去噪过程中对细节和纹理信息的过渡平滑。同时给出了迭代规则化医学图像去噪方法的实现步骤。实验结果表明,新方法能较好地保护医学图像的细节和纹理信息。

基于跨尺度边缘增强深度卷积神经网络的低剂量CT图像去噪

为了提高去噪网络的可解释性,将传统滤波算子的优势融入到网络设计中,提出了基于跨尺度边缘增强的深度卷积神经网络(CEDCNN).将传统边缘算子与卷积相结合,设计出轻量化的边缘增强模块,增强边缘信息对网络结果的影响.基于自适应一致性先验算法构建深度迭代网络,进一步提取边缘增强特征,从而实现端到端可训练、可解释的深度去噪网络.将均方误差和多尺度注意残差感知损失相结合,解决了重建图像过平滑的问题.实验结果表明,CEDCNN去噪网络的PSNR、RMSE、SSIM评价指标分别为43.647 5 dB、0.006 8、0.987 5,说明该方法可显著提高去噪后的图像质量,有效保证低剂量X射线下CT图像的成像质量和精度,去噪效果与正常剂量CT图像所展现的人体组织细节相当.

基于数据融合及小波变换的医学超声图像去噪方法

医学超声图像固有的斑纹噪声,极大地降低了超声图像的质量,严重影响了对病灶的识别。经典的去噪方法在抑制斑纹噪声时丢失了图像中大量的细节和微弱的边缘信息。该文提出一种基于数据融合的小波变换去噪算法,首先对医学超声图像进行对数变换,将乘性噪声变成加性噪声,然后对同一原始信号含噪声的两幅同源图像分别进行小波分解,对两幅图像中小波系数的低频分量作加权融合;对水平、垂直与对角方向高频分量,取两幅图像中各尺度下对应小波系数绝对值较大者各自分别融合,使高频分量中信号得以最大限度地保留,最后,经小波逆变换和指数变换得到去噪后图像。该方法在去除噪声同时能够有效保持边缘信息,较好地改善去噪后图像的视觉效果,取得了良好的效果。

片相似性各项异性扩散图像去噪

提出了一种基于片相似性的各项异性扩散图像去噪方法.传统的各项异性图像去噪方法都是基于单个像素点的灰度相似性(或梯度信息),不能很好地保持弱梯度边缘和纹理等细节信息.基于片相似性的非局部图像去噪方法由于利用了邻域像素的灰度相似性,而能够很好地保持纹理等细节信息.将片相似性思想引入到各项异性扩散中,利用片相似性构造扩散函数,同时将片相似性各项异性扩散模型扩展到彩色图像的去噪.实验结果表明,提出的改进方法能很好地保持纹理等细节信息,不存在各项异性扩散普遍存在的明显的阶梯效应,同时比非局部图像去噪方法速度快.医学图像去噪实例也表明所提出方法具有很好的应用前景.

自适应中值滤波算法滤除医学图像脉冲噪声

实现了一种滤除医学图像脉冲噪声的自适应中值滤波算法,用均方根误差和噪声对原图像的毁坏程度两个客观评价指标对该算法及传统均值、中值滤波方法进行了比较与评价。根据设定条件检测滤波窗口中心像素是否为脉冲噪声,采取滤波窗口自适应的算法来滤除脉冲噪声,去除了传统中值滤波对所有像素均用中值代替的弊端,减少了不必要的图像细节损失。基于MATLAB的仿真实验表明,对于较大密度的脉冲噪声,该算法在有效抑制噪声的同时,能较好地保护边缘和细节信息。该算法已应用于虚拟内窥镜系统中,取得了令人满意的效果。

生成对抗网络下的低剂量CT图像增强

为去除低剂量计算机断层扫描(LDCT)图像中的噪声,增强去噪后图像的显示效果,提出一种生成对抗网络(GAN)下的LDCT图像增强算法。首先,将GAN与感知损失、结构损失相结合对LDCT图像进行去噪;然后,对去噪后的图像分别进行动态灰度增强和边缘轮廓增强;最后,利用非下采样轮廓波变换(NSCT)将增强后的图像在频域上分解为具有多方向性的系数子图,并将配对的高低频子图使用卷积神经网络(CNN)进行自适应融合,以重构得到增强后的计算机断层扫描(CT)图像。使用AAPM比赛公开的真实临床数据作为实验数据集,进行图像去噪、增强、融合实验,所提方法在峰值信噪比(PSNR)、结构相似度(SSIM)和均方根误差(RMSE)上的结果分别为33.015 5 dB、0.918 5和5.99。实验结果表明,所提算法在去除噪声的同时能保留CT图像的细节信息,提高图像的亮度和对比度,有助于医生更加准确地分析病情。