حذف نویز رایسین موجود در MRI با بهبود روش میانگین گیر غیر محلی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 892

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

EMIS01_015

تاریخ نمایه سازی: 11 آبان 1395

Abstract:

داده های گرفته شده از تصاویر رزونانس مغناطیسی معمولاً با نویز رایسی در زمان تصویر برداری خراب می شود به طوری که دقت و قابلیت اطمینان در تجزیه و تحلیل تصاویر را کاهش می دهد. بنا به این دلیل روش های حذف نویز اغلب به جهت افزایش پارامترهای سیگنال به نویز SNR و بهبود کیفیت تصویر اعمال می شود. در این مقاله راه های جدیدی برای کاهش نویز تصاویر مغز در مراحل مختلف پردازش ارائه می شود. ما یک روش جدید با استفاده از فیلتر غیرمحلی ارائه می دهیم که عملکرد این فیلتر غیرمحلی عبارتند از : الف) تنظیم خودکار پارامتر هموار ب) انتخاب مناسب ترین وکسل پ) پیاده سازی بلوکی ت) محاسبات موازی. اعتبار سنجی کمی بر روی مجموعه داده های مصنوعی تولید شده با دیتاست Brain web انجام می شود. نتایج شبیه سازی نشان می دهد این فیلتر غیرمحلی از نظر دقت و زمان محاسبه بهتر از فیلترهای کلاسیک غیرمحلی عمل می کند. در این مقایسه نتایج بر داده های واقعی (T1-W) و (T2-W) از یک بیمار مبتلا به بیماری (MS) نشان داده شده است.

Keywords:

تصاویر رزونانس مغناطیسی , فیلتر میانگین گیر غیر محلی , نویز رایسی

Authors

مهسا محمدی نژاد

گروه مهندسی برق - واحد علوم و تحقیقات فارس - دانشگاه آزاد اسلامی - فارس - ایران

آذر محمودزاده

گروه مهندسی برق - واحد شیراز - دانشگاه آزاد اسلامی - شیراز - ایران

حامد آگاهی

گروه مهندسی برق - واحد شیراز - دانشگاه آزاد اسلامی - شیراز - ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • l. Shyam Anand. C. Jyotinder S. Sahambi. 2010.Wavelet domain non-linear ...
  • Ryan Wen Liu. Lin Shi. Wenhua Huang. Jing Xu. Simon ...
  • Golshan. Hosein M. Hasanzadeh. Reza P.R. Yousefzadeh. Shahrokh C. 2013. ...
  • Henkelman. RM. 1985. Measurement of signal intensities in the presence ...
  • Awate. SP. Whitaker. RT. 2007. Feature- preserving MRI denoising a ...
  • Aja-Fernandez. S. Tristan-Vega. A. Alberola- Lopez. C. 2009. Noise estimation ...
  • Coupe. P. Yger. P. Prima. S. Hellier. P. Kervran. C. ...
  • Coupe. _ Hellier. P. Prima. S. Kervrann. C. Barillot. C. ...
  • Anand. CS. Sahambi. JS. 2010. Wavelet domain non-linear filtering for ...
  • Gerig. G. Kubler. O. Kikinis. R. Jolesz. FA 1992. Nonlinear ...
  • Perona. P. Malik. J. 1990. Scale-space and edge detection using ...
  • Sijbers. J. Dekker. AJ. Scheunders. P. Dyck DV. 1998. Maximum ...
  • Weaver. JB. Xu Y. Cromwell. D. 1991. Filtering noise from ...
  • Nowak. RD. 1999. Wave let-based Rician noise removal for magnetic ...
  • Zaroubi. S. Goelman. G. 2000. Complex denoising of MR data ...
  • Gonzalez. RC. 2004. Digital image processing. 2nd ed Upper Saddle ...
  • Nason. GP. Silverman. BW. 1995. The stationary wavelet transform and ...
  • Zhang. Y. 2006. S emanti c-based visual information retrieval. Hershey. ...
  • Alexander. ME. Baumgartner. R. Summers. AR. Windi schberger. C. Klarhoefer. ...
  • Kwan. RK. Evans. AC. Pike. GB. 1999. MRI image- ...
  • Gerig. G. Kubler. O. Kikinis. R. Jolesz. FA. 1992. Nonlinear ...
  • Sijbers. J. Dekker. AJ. Van der Linden. A. Verhoye. M. ...
  • Wong. A. Mishra. AK. Quasi-Monte Carlo. 201 1.Estimation approach for ...
  • He. L. Greensh ields. IR. 2009. A nonlocal maximum likelihood ...
  • Audekerke. JV. Sijbers. J. 2011. Maximum likelihood estimati on-based denoising ...
  • Dietrich. O. Raya. S.B. Reeder. M. Ingrisch. M. Reise Schoenberg. ...
  • Starck. J.L. Candes. E.J. D.L. Donoho. D.L. 2002. The Curvelet ...
  • Lath. P R. Subramanian. 2006. Medical image denoising using X-lets. ...
  • Ma. J. Plonka. G. 2007. Combined curvelet shrinkage and nonlinear ...
  • Ashamol. V.G. Sreelekha. G. Sathidevi. P.S. D iffusion-based image denois-ing ...
  • combining curvelet and wavelet. Proceedings of 15th Internati Ona IConference ...
  • Do. M.N. Vetterli. M. 2005. The contourlet transform an efficient ...
  • Sijbers. J. Dekker. A.J. Van Audekerke. J. M. Verhoye. D. ...
  • Sijbers. J. Dekker. A.J. Scheunders. P. Van Dyck. D. 1998. ...
  • Sijbers. J. Dekker. A.J. 2004. Maximum likelihood estimation of signal ...
  • Jiang. L. Yang. W. 2003. Adaptive magnetic resonance image denoising ...
  • Sijbers. J. D. Poot. A. Dekker. W. Pintjenst. 2007. Automatic ...
  • Aja-Fernandez. S. C. Lopez. A. Westin. C.F. 2008. Noise and ...
  • Aja-Fernandez. S. Niethammer. M. Kubicki. 2008. ...
  • Restoration of DWI data using a Rician LMMSE estimator. IEEE ...
  • Golshan. H.M. Hasanzedeh. R.P.R. 2011. A non-local Rician noise reduction ...
  • Yousefzadeh. S.C. 2013. An MRI denoising methodusing data redundancy and ...
  • Tisdall. D. Atkins. M.S. 2005. MRI denoising via phase error ...
  • Awate.S.P. Whitaker. R.T. 2007. Feature- preserving MRI denoising: a non-parametric ...
  • Lopez-Rubio. E. F lorentin-Nune, M.N. 2011. Kernel regression based feature ...
  • Luo. J. Zhu. Y. I.E. 2009. Magnin Denoising by averaging ...
  • Luo. J. Zhu. Y. Hiba. B. 2010. Medical image denoising ...
  • Mohan. J Krishnaveni. V. Guo. Y. (2014). A survey on ...
  • Aelterman. J. Goossens. B. A. Pizurica. A. W. Philips. W. ...
  • نمایش کامل مراجع