دوره 17، شماره 3 - ( 9-1399 )                   جلد 17 شماره 3 صفحات 101-108 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kazemitabar J, Tavakkoli M. A Bayesian approach for image denoising in MRI. JSDP. 2020; 17 (3) :101-108
URL: http://jsdp.rcisp.ac.ir/article-1-893-fa.html
کاظمی تبار سید جواد، توکلی میترا. کاهش نوفه در تصویربرداری تشدید مغناطیسی با استفاده از الگوریتم تخمین بیزین. پردازش علائم و داده‌ها. 1399; 17 (3) :101-108

URL: http://jsdp.rcisp.ac.ir/article-1-893-fa.html


دانشگاه صنعتی نوشیروانی بابل
چکیده:   (194 مشاهده)
تصویربرداری تشدید مغناطیسی[1] (MRI) که اساس آن بر پایه تشدید مغناطیسی هستهای بنا نهاده شده، بهعنوان یک روش بارز در زمینه کاربردهای پزشکی مطرح است. بهدلیل وضوح مناسب و فناوری کم‌ضرر،MRI در کاربردهای بالینی بسیار مورد توجه قرار گرفته است. کیفیت تصاویر MR نقش کلیدی در نحوه تشخیص پزشک ایفا میکند؛ اما بهدلیل ایجاد نوفه حین فرآیند تصویربرداری، اغلب کیفیت تصاویر دریافتی کاهش می‌یابد. از این‌رو حذف نوفه جهت ارتقای قابلیت تشخیص بسیار مورد توجه قرار گرفته است. نوفه موجود در تصاویر MR که منجر به کاهش شدت نور تصویر شده و بایاس وابسته به سیگنال ایجاد میکند، به بهترین شکل با تابع توزیع رایسین مدل می‌شود. به‌طور‌کلی هدف از این پژوهش پیداکردن تابع چگالی احتمال پیشین مناسبی برا یسیگنال بدون نوفه[2] MR و استفاده از تخمین بیزین در راستای کاهش نوفه تصویر است که در مقایسه با سایر روش­های گروه آماری روشی کم‌هزینه با پیچیدگی محاسباتی پایین­تر است.

[1] Magnetic Resonance Imaging
[2] Noiseless signal
متن کامل [PDF 2213 kb]   (62 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1397/6/6 | پذیرش: 1399/5/28 | انتشار: 1399/9/15 | انتشار الکترونیک: 1399/9/15

فهرست منابع
1. [1] Z. Hongtu et al, "Regression models for identifying noise sources in magnetic resonance images," Journal of the American Statistical Association, vol.104, no.486, pp.623-637, 2009. [DOI:10.1198/jasa.2009.0029] [PMID] [PMCID]
2. [2] J. Mohan, V.Krishnaveni, and G.Yanhui , "A survey on the magnetic resonance image denoising methods," Biomedical Signal Processing and Control , vol.9, pp. 56-69, 2014. [DOI:10.1016/j.bspc.2013.10.007]
3. [3] A.Macovski, "Noise in MRI," Magnetic Resonance in Medicin, vol.36,no.3, pp. 494-497, 1996. [DOI:10.1002/mrm.1910360327] [PMID]
4. [4] H. Gudbjartsson, P. Samuel Patz, "The Rician distribution of noisy MRI data," Magnetic resonance in medicine, vol.34, no.6, pp. 910-914, 1995. [DOI:10.1002/mrm.1910340618] [PMID] [PMCID]
5. [5] L. He, R. Ian Greenshields, "A nonlocal maximum likelihood estimation method for Rician noise reduction in MR images," IEEE transactions on medical imaging, vol.28, no.2, pp. 165-172, 2009. [DOI:10.1109/TMI.2008.927338] [PMID]
6. [6] J. Sijbers & et al, "Estimation of the noise in magnitude MR images," Magnetic Resonance Imaging, vol.16, no.1, pp.87-90, 1998. [DOI:10.1016/S0730-725X(97)00199-9]
7. [7] J. Sijbers & et al, "Maximum-likelihood estimation of Rician distribution parameters," IEEE Transactions on Medical Imaging. Vol.17, no.3, pp.357-361, 1998. [DOI:10.1109/42.712125] [PMID]
8. [8] J.Sijbers, A. J. Den Dekker, "Maximum likelihood estimation of signal amplitude and noise variance from MR data," Magnetic Resonance in Medicine, vol.51, no.3, pp.586-594, 2004. [DOI:10.1002/mrm.10728] [PMID]
9. [9] J.Rajan & et al, "Maximum likelihood estimation-based denoising of magnetic resonance images using restricted local neighborhoods," Physics in Medicine & Biology, vol.56, no.16, pp.5221, 2011. [DOI:10.1088/0031-9155/56/16/009] [PMID]
10. [10] J.Rajan & et al, "Nonlocal maximum likelihood estimation method for denoising multiple-coil magnetic resonance images," Magnetic Resonance Imaging, vol.30, no.10, pp. 1512-1518, 2012. [DOI:10.1016/j.mri.2012.04.021] [PMID]
11. [11] A. Tietze & et al, "Bayesian modeling of Dynamic Contrast Enhanced MRI data in cerebral glioma patients improves the diagnostic quality of hemodynamic parameter maps," PloS one, vol13, no.9, pp. e0202906, 2018. [DOI:10.1371/journal.pone.0202906] [PMID] [PMCID]
12. [12] L.Lauwers & et al, "Analyzing Rice distributed functional magnetic resonance imaging data: a Bayesian approach," Measurement Science and Technology, vol.21, no.11, pp. 115804, 2010. [DOI:10.1088/0957-0233/21/11/115804]
13. [13] M. Kay, M. Steven, "Fundamentals of statistical signal processing", vol. I: estimation theory, 1993.
14. [14] X. Qi, "Compression of Three-Dimensional Magnetic Resonance Brain Images," 2001.
15. [15] D.Selvathi, and V. Sathananthavathi, "Genetic algorithm based nonlocal maximum likelihood algorithm for MRI denoising," Int. J. Comput. Intell. Telecommun. Syst, vol.2, pp. 21-26, 2011.
16. [16] https://mr.usc.edu/download/data/

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.