论文部分内容阅读
磁共振成像(Magnetic Resonance Imaging, MRI)具有良好的软组织对比度,能够任意方位断层,并且没有电离辐射损害,是当前临床诊断与医学研究中最常用的成像技术之一。但是由于磁共振信号比较弱,如何提高图像的信噪比成为该领域一直试图解决的技术问题。由于图像去噪方法具有不增加成像时间与扫描成本的优势,成为提高磁共振图像质量的重要方法。本文围绕着磁共振图像去噪的问题,进行了以下内容的研究:1)本文首先实现了图像处理领域中几种磁共振图像去噪方法,通过视觉和定量比较它们对自然图像和磁共振图像的去噪效果,确定非局域均值(Non-Local Means, NLM)对于磁共振图像随机噪声去除效果较好。本文以NLM去噪算法为基础,修正了针对磁共振弥散张量图像去噪而提出的VNLM(Vector NLM)算法。此外,本文对现有的NLM算法的实现过程进行了研究,进而改进了NLM算法的实现,从而使NLM算法的运行速度提高了十倍以上,大大方便了NLM算法的研究与应用。2)弥散峰度成像(Diffusion Kurtosis Imaging, DKI)的随机噪声去除。弥散峰度成像是一种新的弥散成像模型,具有较大的临床价值。由于DKI成像数据大部分信号较低,DKI计算结果对噪声非常敏感,所以去噪对于DKI具有特别重要的意义。本文提出一系列的DKI数据去噪方式:通过沿不同弥散加权图像这个维度缩小加权平均范围来改进四维NLM;以及通过充分利用弥散峰度成像数据中多个弥散梯度方向或者多b值弥散加权图像之间的冗余性提出了多个基于VNLM算法的去噪方案;本文还通过将四维算法和VNLM结合提出了一种新的去噪方式。为了定量评价DKI图像去噪的效果,本文基于真实人脑数据制作了一套DKI的模拟数据,在此基础上对不同去噪方法的准确性进行了定量评价。3)NLM算法的去噪残差提取和去噪效果的增强算法。本文提出了一个利用去噪残差图中的信息来提高图像去噪效果的方法。该方法利用NLM算法的去噪权重代表图像的局部结构,并利用该权重从去噪残差图中提取图像残余信息,然后将其加回到去噪图中补偿因去噪丢失的细节。与传统的残差图信息提取方法相比,该方法能够从信噪比极低的残差图中提取出残余的结构信息,并利用该信息提高了NLM去噪结果的准确性和对比度。4)磁共振尖峰噪声的去除。磁共振成像系统的硬件故障或者成像过程中的静电打火会在采集的数据中产生尖峰噪声,导致对应的空间域图像出现明显伪影。本文基于压缩感知(Compressed Sensing, CS)技术提出了一种尖峰噪声去噪方法,本方法利用图像基于小波变换和有限差分运算结果的稀疏性,重建K空间中被尖峰噪声污染区域的信号值,计算过程采用最优化算法解决有限差分以及小波系数一阶范数的最小化问题。该算法与传统的插值方法相比能够取得更佳的噪声点修复结果,并且不要求精确定位尖峰噪声,尤其当尖峰噪声处于K空间低频区域时具有明显的优势。