基于结构张量和非局部平均滤波的MRI图像去噪

考虑到MRI图像的几何结构相似性,将结构张量应用到三维非局部平均滤波算法。将本文提出的方法和最近提出的不同改进版本的非局部平均滤波算法在Brainweb数据库上进行对比,实验结果表明,本文提出的方法在峰值信噪比(PSNR)上有所提高,有效地抑制了噪声。

基于深度学习的无监督磁共振图像去噪方法

近年来,基于深度学习的方法在医学图像去噪方面取得了很好的表现。然而,大多数基于深度学习的方法都需要成对的训练数据,这将影响如新型冠状病毒肺炎等病症的临床诊断。本文提出了一种用于磁共振成像(magnetic resonance image,简称MRI)去噪的无监督学习方法。首先,我们通过内容编码器和随机噪声编码器分离受噪声影响的低质MRI图像的内容信息和噪声信息。其次,利用Kullback-Leibler (KL)散度损失对噪声的分布进行正则化。第三,向模型加入对抗损失,使生成的去噪图像看起来更加真实。最后,我们增加了循环一致损失和感知损失来确保带噪图像和去噪图像内容信息的一致性。实验结果表明,我们提出的方法取得了良好的视觉效果。

双树复小波域的MRI图像去噪

目的噪声会降低磁共振图像(MRI)的质量,影响视觉效果和计算机辅助诊断,针对MRI噪声的莱斯(Rician)分布特性,设计一种有效的MRI去噪算法。方法在双树复小波(DT-CWT)域结合双边滤波器(BF)和基于Stein无偏误差估计的邻域收缩法(Neigh Shrink SURE)、二变量收缩法(Bivariate Shrink)设计一种有效的磁共振图像MRI去噪算法。所设计的算法充分考虑了MRI的噪声分布特性以及小波系数的层间和层内相关性,其性能优劣主要取决于平方MRI的双树复小波系数的噪声标准差估计的准确程度,其次和双边滤波器的参数以及两种收缩方法的占比有关。为了使各算法的协同发挥最好的性能,以均方误差(MSE)、峰值信噪比(PSNR)和结构相似度(SSIM)作为图像质量评价指标,修正DT-CWT系数的噪声标准差,确定最佳双边滤波参数以及两种收缩方法的占比。在双树复小波域结合3种方法设计了一种有效的MRI去噪算法。结果与现有几种算法进行图像去噪比较实验。在视觉效果、去噪指标PSNR和SSIM以及耗时方面,本文算法综合性能优于现有的几种MRI去噪算法,PSNR提高了约0.5 1 d B,SSIM提高了约5%10%。结论双树复小波域的去噪优于基本小波去噪,利用层内和层间相关性的去噪算法很好去除了噪声,双边滤波器的使用增强了低频部分的图像,使得本文算法在MRI莱斯噪声的去除上获得了较好的表现,在去噪的同时能够保留边缘和细节信息。