CN109559283A - 基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 - Google Patents
基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 Download PDFInfo
- Publication number
- CN109559283A CN109559283A CN201811166670.5A CN201811166670A CN109559283A CN 109559283 A CN109559283 A CN 109559283A CN 201811166670 A CN201811166670 A CN 201811166670A CN 109559283 A CN109559283 A CN 109559283A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- image
- pet image
- noise
- dnst
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 title claims abstract description 24
- 229940079593 drug Drugs 0.000 title claims description 5
- 238000010008 shearing Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000011120 plywood Substances 0.000 claims abstract description 6
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000593 degrading effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 210000004872 soft tissue Anatomy 0.000 abstract 1
- 238000012636 positron electron tomography Methods 0.000 description 62
- 238000003745 diagnosis Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于DNST域双变量收缩和旋转不变双边非局部均值滤波结合的医学PET图像去噪方法，包括如下步骤：步骤1)建立医学PET图像模型；步骤2)通过离散不可分离剪切波对PET图像进行分解；步骤3)对高频剪切波系数进行双变量收缩处理；步骤4)对低频剪切波系数进行旋转不变双边非局部均值滤波处理步骤4)对处理后的系数进行DNST逆变换。本发明通过实验分析与最新的去噪领域算法进行了对比，有效的应用在医学PET去噪领域；特别是针对PET低频采用旋转不变双边非局部均值滤波和对高频剪切波系数进行双变量收缩，能够更好的保护医学PET图像中软组织的细节信息。通过了大量的实验数据对比，提出了基于剪切波域双变量收缩和旋转不变双边非局部均值滤波结合的医学PET图像去噪方法，能够更好的有利于医师的分析诊断。
Description
技术领域
本发明涉及于医学图像去噪领域，特别是涉及医学PET图像。设计一种基于DNST域双 变量收缩和旋转不变双边非局部均值滤波结合的医学PET图像去噪方法。
背景技术
在人类发展史上，医学一直是人们极度重视和不断发展的学科。医学图像数字化的普及和 发展极大的提高了医疗诊断的效率性和准确性。正电子发射型计算机断层显像(Positron Emission ComputedTomography)，是核医学领域比较先进的临床检查影像技术。其大致方法 是，将某种物质，一般是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸， 标记上短寿命的放射性核素(如18F，11C等)，注入人体后，通过对于该物质在代谢中的聚 集，来反映生命代谢活动的情况，从而达到诊断的目的。PET在放射诊断方面具有很强的能力， 它的原理是通过一些短寿命的物质，在衰变过程中释放出正电子，一个正电子在行进十分之几 毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反(180度)的一对能量为511KeV 的光子。这对光子，通过高度灵敏的照相机捕捉，并经计算机进行散射和随机信息的校正。经 过对不同的正电子进行相同的分析处理，我们可以得到在生物体内聚集情况的三维图像。它是 一种在不打开人体的情况下获得人体内部结构的轴向切片图，并且其具备灵敏度高，特异性高， 全身显像，安全性好，操作简便等优点广泛的应用在诊断诸如肿瘤，神经系统疾病和精神病患 者，心血管疾病患者，等领域。
PET是一种采用断层扫描的医学成像方法，能够很简单的获取物体的内部结构特征，如尺 寸、形状、内部缺陷和密度，它是一种强大的非破坏性评估技术，广泛的用于生成人体的二维 和三位横截面图像。PET，即正电子发射计算机断层显像。是目前国际上最尖端的医学影像诊 断设备之一，也是目前在细胞分子水平上进行人体功能代谢显像最先进的医学影像技术，成为 诊断和指导治疗各种恶性肿瘤、冠心病和脑部疾病的最佳方法。PET的临床应用是当今发达国 家高科技医疗诊断技术的主要标志之一。PET在临床医学的应用主要集中于恶性肿瘤、神经系 统、心血管系统三大领域。。但由于PET定位、定性诊断的准确性仍然收到病变部位、大小、 性质、病程长短等因素的影响，不能反映脏器的功能信息。图像也容易收到噪声干扰、被照物 细节等因素的影响，从而观察到图像中有斑点和细粒，进一步影响到医生从病灶部位一定大小 细节从背景中鉴别出来。图像中的噪声干扰必将影响图像的进一步分析，因此研究相关医学图 像去噪算法将噪声从PET图像中滤除，可为观察图像提供好的视觉环境。
本发明使用医学PET为研究对象。由于PET成像不免受到各种物理因素的影响，斑点噪 声的存在严重影响了PET图像的质量，导致了医学图像质量较差。噪声的存在掩盖那些灰度 差别很小的图像特征。对于临床医生而言，噪声对他们的准确诊断造成了很大的干扰，特别是 对于经验不是很丰富的医生造成的影响更大。因此，从临床应用的角度出发，需要研究对PET 医学图像去噪方法，为医生做出更准确的诊断提供技术支持，降低人工诊断的风险。
综上所述，研究医学PET图像去噪方法具有非常重要的意义。
发明内容
本发明为了克服小波分析处理高维数据稀疏能力的不足和离散剪切波框架界效应差的不 足，本发明提供了一种离散不可分离剪切波(DNST)医学PET图像去噪算法,用于解决医学 PET图像去噪。现有技术中，小波变化能很好的用于图像去噪并且有效的抓住一维奇点，但不 能反映直线和曲线的突变。脊波变换可以很好的捕捉线的奇异性，弥补小波的不足，但是仍然 不能有效的捕捉曲线的奇异性。近些年来，通过离散剪切波算法对医学图像的处理，使得对医 学图像去噪技术领域有一定的突破。DNST相比较于离散可分离剪切波拥有更好的框架界和更 好的定向选择，意味着DNST拥有更好的去噪效果。本发明上将DNST工具包用到医学PET 噪声图像中，并且修改了传统的收缩算法使用双变量收缩算法，并且在低频部分结合PET图 像中旋转不变双边非局部均值滤波。发明了具有速度快、去噪明显的设计一种基于剪切波域双 变量收缩和旋转不变双边非局部均值滤波结合的医学PET图像去噪方法，最后通过仿真验证 了方法的可行性与优化的效果。
与现有技术相比，本发明的创造性与优点：提出了一种设计一种基于剪切波域双变量收缩 和旋转不变双边非局部均值滤波结合的医学PET图像去噪方法，DNST变换克服了小波分析 处理高维数据稀疏能力的不足，离散剪切波框架界的不足。通过双变量收缩算法比传统的硬阈 值和软阈值更适合应用在PET去噪领域，并且在低频部分添加了适用与PET特征的旋转不变 双边非局部均值滤波。并且此方法具有多分辨、多尺度、多方向性和时频局部性，将其应用于 PET图像去噪能更好的保护图像边缘信息，给医师的诊断提供了方便。
为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的基于DNST域双变量收 缩和双边非局部均值滤波的医学PET图像去噪方法，包括以下四个步骤。
步骤1)建立医学PET图像模型；
为了解决PET噪声问题，我们不能凭借人的主观感受进行断定，通常噪声只能用概率统计 的方法去认识。因此，最主要的是将PET图像中抽象的噪声进行原理具体化，建立一个符合 基本特征的数学模型。
PET图像中的统计噪声由于在检测药物点可能出现的波动而产生，因此统计噪声也可以称 为量子噪声。从数学模型上来说这是一种高斯加性噪声，其数学模型如下：
Inoisy(x,y)＝uorignal(x,y)+ηnoisy(x,y) (1)
其中(x,y)表示图像中的像素点，Inosiy表示含有噪声PET图像即观察到的PET图像，uorignal表 示无噪声PET图像，ηnoisy表示噪声，其分布符合高斯分布。
步骤2)通过离散不可分离剪切波对PET图像进行分解；
S1：输入一个二维PET图像信号f∈RX*Y，尺度参数J∈N，一个方向参数k∈NJ，以及选择方向滤波器DirePETionFilter、低通滤波器QuadratureMirrorFilter。
S2：转换PET图像的频率谱ffreq＝FFT(f)。
S3：计算不同尺度不同方向下的子带i∈[0,nth]下的剪切波系数shearletCoeffs(i)∈RX*Y*nth， 根据剪切波域的卷积理论可得:
S4：通过计算得出离散不可分离剪切波系数shearletCoeffs(i)。
其中第3步中nth代表了整个紧支撑DNST系统的冗余度，其计算如下:
nth＝2*((2*2k[0]+1))+2*((2*2k[1]+1))+...+2*((2*2k[J]+1) (3)
DNST能够得到更好的框架界。除此之外，由不可分离的剪切波发生器生成的剪切波的一个主要优点是扇形滤波器P在频域的每一个尺寸都提高了方向选择性。通过DNST分解， 将医学PET图像在频域内分解成f1,f2,...,fnth-1张大小相等的高频PET图像和一张低频PET 图像fnth。
步骤3)对高频剪切波系数f1,f2,...,fnth-1进行双变量收缩处理；
图像去噪最强大的技术之一就是小波域中常用的双变量阈值函数去噪方法。这里，利用 这个想法被扩展到了剪切波域。通过利用非高斯双变量函数统计剪切波系数模型。首先定义了 更精细尺度和粗糙尺度的关系，然后对剪切波系数进行有效的建模，每个系数取决于称为CS 的较粗尺度中的相同空间位置处的系数，并且每个CS取决于称为FS的即时更精细尺度中的 相同空间位置中的系数。因此，剪切波域中的每个CS有一个CS，每个CS有四个FS。该 模型可以有效地捕捉框架系数与其CS之间的依赖关系。
通常，对于给定的原始无噪声图像，如果它受到加性高斯白噪声的干扰，则降级后的图像 在剪切波域表示如下所示：
g＝f+ε (4)
其中，g,f,ε分别表示观察到的剪切波系数，原始无噪声剪切波系数和噪声的系数。去噪 的目的在于获得原始系数的估计使得估计值尽可能接近原始无噪声系数f。在所提出 的方法中，最大后验概率(MAP)用于估计去噪系数所以：
可以使用贝叶斯规则来写：
因此可以导出以下等式：
为了描述框架域中CS和FS之间的依赖关系，令f1表示f2的CS(注意f1是与f2相同空间位置处的框架系数，但在下一个更精细的规模)，因此有f＝(f1,f2)，g＝(g1,g2)，ε＝(ε1,ε2)， f1和f2是不相关的，但不是独立的。因此g＝f+ε可以写为以下形式：
假设附加噪声的均值和方差分别是0和由pε(ε)表示的噪声概率密度函数如下：
根据剪切波系数的分布，可以根据对称的圆形概率分布，通过双变量概率密度函数pf(f) 拟合模型。因此，它可以表示如下：
用方程(9)和(10)代入方程(7)，得到：
如果pf(f)是个凸的，求解过程等式(11)可以转化为以下求解方程：
其中
用等式(13)代入方程(12)中，下面f1的MAP估计量是双变量收缩函数：
从这个等式可以看出，对于每个剪切波系数，都有一个对应的阈值，它不仅取决于CS系 数，还取决于FS系数。
步骤4)对低频剪切波系数fnth进行旋转不变双边非局部均值滤波处理；
在2009年，Coupe等提出了一种优化的贝叶斯非局部均值(Optimized BayesianNonlocal Means，OBNLM)滤波器用于基于使用Pearson距离度量的逐块实现CNLM的图像的斑点噪 声降低。然而，OBNLM滤波器无法有效地从包含精细结构细节的图像中去除噪声，并且导致 图像中存在的边缘和纹理过度平滑。为了克服上述限制，我们提出使用由Manjon等人提出的 旋转不变双边非局部均值滤波器(Rotation Invariant Bilateral NonlocalMeans Filter，RIBNLM) 作为后处理步骤，其优化单个区域所需的平滑之间的权衡并保留图像的细节。所提出的滤波器 使用基于强度值和相应的邻域的有效旋转不变相似性度量补充平均值为和如下所示：
其中其中SW代表搜索窗口的大小为11×11像素，wRIBNLM(i,j)是权重，满足条件 0≤wRIBNLM(i,j)≤1且∑wRIBNLM(i,j)＝1，和是参考斑点的均值和正在搜索窗口SW中处理的斑点，参数r是平滑参数。局部均值和仅用5×5个邻域计算整个图像一次，并保存 在一个具有图像大小的数组中。使用一个小的邻域来计算和以防止图像奇异结构的 过度平滑。RIBNLM滤波器具有较低的计算复杂度，并且给斑点赋予合适的权重，这些斑点 结构上相似但是相对于参考斑点来说具有不同的方向。
步骤5)对处理后的系数进行DNST逆变换；
对上面步骤中的阈值收缩后的高频子带和低频子带进行DNST逆变换，可以得到为了得到 利于医生分析的去噪后的PET图像，通过对比实验数据也验证了本发明算法对医学PET图像 去噪的优越性。以下介绍DNST逆过程具体算法过程：
S1:输入DNST处理后的的剪切系数shearletCoeffs(i)∈RX*Y*nth；
S2:设定frec∈RX*Y代表重构后的图像序列；
S3:计算每个索引i∈[0,nth]下shearletCoeffs(i)的重构图像序列频率谱frec并求和frec，根据 卷积理论和框架理论
S4:做DNST的逆变换得到重构图像序列frec:＝IFFT(frec)；
本发明具有以下优点：
1.本发明使用离散的不可分离的剪切波变换模型拥有更好的框架界和方向选择性，能够更 好的对医学PET图像进行有效合适的分解。
2.本发明中对医学PET低频部分中特有高斯白噪声进行旋转不变双边非局部均值滤波处 理。
3.本发明中对高频部分采用自适应的阈值算法和双变量收缩算法，充分利用系数之间的联 系，能够很好的去除合适的剪切波系数。
4.本发明步骤明确结构简单，拥有完善的理论支持。
附图说明
图1为医学PET图；
图2为离散不可分离剪切波分解流程图；
图3为双变量收缩函数模型；
图4为旋转不变双边非局部均值滤波原理图；
图5为本发明方法的整体步骤流程图；
图6a～图6b为现有的PET去噪声算法与本发明算法(NLM-ST)对比效果图，图6a是实验 效果图，图6b是实验中噪声分布情况，和去噪声数据比较；
图7a～图7f为PET图像去噪细节效果图与本文算法的对比，其中图7a为含噪图像，图7b为Gaussian算法，图7c为PCA算法，图7d为HYPR算法，图7e为N:M-S算法，图7f为 NLM-ST算法。
具体实施方式
以下结合附图对本发明做进一步说明。
本发明的基于DNST域双变量收缩和双边非局部均值滤波的医学PET图像去噪方法，包 括以下步骤：
步骤1)建立医学PET图像模型；
为了解决PET噪声问题，我们不能凭借人的主观感受进行断定，通常噪声只能用概率统计 的方法去认识。因此，最主要的是将PET图像中抽象的噪声进行原理具体化，建立一个符合 基本特征的数学模型。
PET图像中的统计噪声由于在检测少量药物点可能出现的波动而产生，因此统计噪声也可 以称为量子噪声。从数学模型上来说这是一种高斯加性噪声，其数学模型如下：
Inoisy(x,y)＝uorignal(x,y)+ηnoisy(x,y) (1)
其中(x,y)表示图像中的像素点，Inosiy表示含有噪声PET图像，uorignal表示无噪声PET图像， ηnoisy表示噪声，其分布符合高斯分布。其模型如图1所示，其观察到的PET图像为干净的PET 图像和符合高斯分布的噪声之和。
步骤2)通过离散不可分离剪切波对PET图像进行分解；
S1：输入一个二维PET图像信号f∈RX*Y，尺度参数J∈N，一个剪切向量参数k∈NJ，以及选择方向滤波器DirePETionFilter、低通滤波器QuadratureMirrorFilter。
S2：计算输入信号的频率谱ffreq＝FFT(f)。
S3：计算不同尺度子带i∈[0,nth]下的剪切波正向变换系数shearletCoeffs(i)∈RX*Y*nth，根据 卷积理论和框架理论:
S4：通过计算得出离散不可分离剪切波系数shearletCoeffs(i)。
其中第3步中nth代表了整个紧支撑DNST系统的冗余度，其计算如下:
nth＝2*((2*2k[0]+1))+2*((2*2k[1]+1))+...+2*((2*2k[J]+1) (3)
DNST能够得到更好的框架界。除此之外，由不可分离的剪切波发生器生成的剪切波的一个主要优点是扇形滤波器P在频域的每一个尺寸都提高了方向选择性。如图2所示通过 离散不可分离剪切波分解，不断的对低频部分进行分解可将医学PET图像在频域内分解成 f1,f2,...,fnth-1张大小相等的高频PET图像和一张低频PET图像fnth。
步骤3)对高频剪切波系数f1,f2,...,fnth-1进行双变量收缩处理；
图像去噪最强大的技术之一就是小波域中常用的双变量阈值函数去噪方法。这里，利用 这个想法被扩展到了剪切波域。通过利用非高斯双变量函数统计剪切波系数模型。首先定义了 更精细尺度和粗糙尺度的关系，然后对剪切波系数进行有效的建模，每个系数取决于称为CS 的即时较粗尺度中的相同空间位置处的系数，并且每个CS取决于称为FS的即时更精细尺度 中的相同空间位置中的系数。因此，剪切波域中的每个CS有一个CS，每个CS有四个FS。 该模型可以有效地捕捉框架系数与其CS之间的依赖关系。
通常，对于给定的原始无噪声图像，如果它受到加性高斯白噪声的干扰，则降级后的图像 在剪切波域表示如下所示：
g＝f+ε (4)
其中，g,f,ε分别表示观察到的剪切波系数，原始无噪声剪切波系数和噪声的系数。去噪 的目的在于获得原始系数的估计使得估计值尽可能接近原始无噪声系数f。在所提出 的方法中，最大后验概率(MAP)用于估计去噪系数所以：
可以使用贝叶斯规则来写：
因此可以导出以下等式：
为了描述框架域中CS和FS之间的依赖关系，令f1表示f2的CS(注意f1是与f2相同空间位置处的框架系数，但在下一个更精细的规模)，因此有f＝(f1,f2)，g＝(g1,g2)，ε＝(ε1,ε2)，f1和f2是不相关的，但不是独立的。因此g＝f+ε可以写为以下形式：
假设附加噪声的均值和方差分别是0和由pε(ε)表示的噪声概率密度函数如下：
根据剪切波系数的分布，可以根据对称的圆形概率分布，通过双变量概率密度函数pf(f) 拟合模型。因此，它可以表示如下：
用方程(9)和(10)代入方程(7)，得到：
如果pf(f)是个凸的，求解过程等式(11)可以转化为以下求解方程：
其中
用等式(13)代入方程(12)中，下面f1的MAP估计量是双变量收缩函数：
从这个等式可以看出，对于每个剪切波系数，都有一个对应的阈值，如图3所示双变量收 缩函数模型，它不仅取决于CS系数，还取决于FS系数。
步骤4)对低频剪切波系数fnth进行旋转不变双边非局部均值滤波处理；
在2009年，Coupe等提出了一种优化的贝叶斯非局部均值(optimized Bayesiannonlocal means，OBNLM)滤波器用于基于使用Pearson距离度量的逐块实现CNLM的图像的斑点噪 声降低。然而，OBNLM滤波器无法有效地从包含精细结构细节的图像中去除噪声，并且导致 图像中存在的边缘和纹理过度平滑。为了克服上述限制，我们提出使用由Manjon等人提出的 旋转不变双边非局部均值滤波器(Rotation Invariant Bilateral NonlocalMeans Filter，RIBNLM) 作为后处理步骤，其优化单个区域所需的平滑之间的权衡并保留图像的细节。所提出的滤波器 使用基于强度值和相应的邻域的有效旋转不变相似性度量补充平均值为和如下所示：
其中其中SW代表搜索窗口的大小为11×11像素，wRIBNLM(i,j)是权重，满足条件 0≤wRIBNLM(i,j)≤1且∑wRIBNLM(i,j)＝1，和是参考斑点的均值和正在搜索窗口SW中处理的斑点，参数r是平滑参数。如图4所示局部均值和仅用5×5个邻域计算整个图像一 次，并保存在一个具有图像大小的数组中。使用一个小的邻域来计算和以防止图像 奇异结构的过度平滑。RIBNLM滤波器具有较低的计算复杂度，并且给斑点赋予合适的权重， 这些斑点结构上相似但是相对于参考斑点来说具有不同的方向。
步骤5)对处理后的系数进行DNST逆变换；
对上面步骤中的阈值收缩后的高频子带和低频子带进行DNST逆变换，可以得到为了得到 利于医生分析的去噪后的PET图像，通过对比实验数据也验证了本发明算法对医学PET图像 去噪的优越性。以下介绍DNST逆过程具体算法过程：
S1:输入DNST处理后的的剪切系数shearletCoeffs(i)∈RX*Y*nth；
S2:设定frec∈RX*Y代表重构后的图像序列；
S3:计算每个索引i∈[0,nth]下shearletCoeffs(i)的重构图像序列频率谱frec并求和frec，根据 卷积理论和框架理论
S4:做DNST的逆变换得到重构图像序列frec:＝IFFT(frec)；
本发明整体步骤流程图如图5所示。
案例分析
本发明通过以具体的医学PET图像为对象，分别在离散剪切波变换的基础上研究离散的 不可分离的剪切波系统，在高频子带采用自适应阈值和双变量收缩算法和低频子带中采用旋转 不变双变量局部均值滤波处理，同时通过与现有技术对比展现了本发明的优越性能。
本发明使用峰值信噪比(PSNR)来变现图像重构后的质量，PSNR定义如下：
其中N表示图像中的像素数目，||·||F表示弗罗比尼斯范数，255是像素可以在灰度图像中 获得的最大值。PSNR数值越大，去噪效果越好。
本发明的实验采用医学PET噪声图像作为输入数据，进行有效的对比实验，。分解尺度 为4，剪切波的水平为[1,1,2,2],算法将噪声图分解为48张高频子带图像和1张低频子带图像， 其大小与原图像相等。对高频部分剪切波系数进行自适应阈值以及双变量收缩的算法，对PET 中的低频部分根据其特性采用旋转不变双边非局部均值滤波处理，对处理完后的高低频数据进 行剪切波逆变换重构。实验结果图如图6所示，将实验通过对比Gaussian，PCA，HYPR，NLM-S 和本文算法进行比较。并选取图像中的局部区域的去噪效果进行对比，。
由表1可以看出，随着噪声方差越大，对去噪算法的要求更高。在同一噪声方差上，本发 明的算法在数值上领先于Gaussian，很明显效果大于PCA，HYPR，NLM-S。并且在实验效果 图6中本发明的算法具有更清晰的细节特征。
表1：医学PET图不同去噪算法在不同噪声的PSNR/dB值
| 算法 | σ＝10 | σ＝20 | σ＝30 | σ＝40 | σ＝50 |
| 本发明算法 | 32.10 | 28.56 | 26.91 | 25.85 | 24.96 |
| Gaussian | 31.52 | 28.18 | 26.40 | 25.56 | 24.33 |
| PCA | 30.32 | 26.85 | 25.24 | 24.02 | 23.18 |
| HYPR | 29.72 | 26.84 | 25.27 | 24.28 | 23.58 |
| NLM-S | 29.82 | 26.62 | 25.32 | 24.41 | 23.76 |
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应 当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发 明构思所能够想到的等同技术手段。
Claims (1)
1.基于DNST域双变量收缩和双边非局部均值滤波的医学PET图像去噪方法，包括以下步骤：
步骤1)建立医学PET图像模型；对PET中的噪声来源分析，对抽象的噪声进行统计，建立医学PET模型，具体包括：
将PET图像中抽象的噪声进行原理具体化，建立一个符合基本特征的数学模型；
PET图像中的统计噪声称为量子噪声，从数学模型上来说这是一种高斯加性噪声，其数学模型如下：
Inoisy(x,y)＝uorignal(x,y)+ηnoisy(x,y) (1)
其中(x,y)表示图像中的像素点，Inosiy表示含有噪声PET图像即观察到的PET图像，uorignal表示无噪声PET图像，ηnoisy表示噪声，其分布符合高斯分布；
步骤2)通过离散不可分离剪切波对PET图像进行分解；并计算分解后子带的剪切波系数，具体包括：
S1：输入一个二维PET图像信号f∈RX*Y，尺度参数J∈N，一个方向参数k∈NJ，以及选择方向滤波器DirePETionFilter、低通滤波器QuadratureMirrorFilter；
S2：转换PET图像的频率谱ffreq＝FFT(f)；
S3：计算不同尺度不同方向下的子带i∈[0,nth]下的剪切波系数shearletCoeffs(i)∈RX*Y*nth，根据剪切波域的卷积理论可得:
S4：通过计算得出离散不可分离剪切波系数shearletCoeffs(i)；
其中第3步中nth代表了整个紧支撑DNST系统的冗余度，其计算如下:
nth＝2*((2*2k[0]+1))+2*((2*2k[1]+1))+...+2*((2*2k[J]+1) (3)
DNST能够得到更好的框架界；除此之外，由不可分离的剪切波发生器生成的剪切波的一个主要优点是扇形滤波器P在频域的每一个尺寸都提高了方向选择性；通过DNST分解，将医学PET图像在频域内分解成f1,f2,...,fnth-1张大小相等的高频PET图像和一张低频PET图像fnth；
步骤3)对高频剪切波系数f1,f2,...,fnth-1进行双变量收缩处理；通过剪切波系数模型之间系数的相互联系，通过双变量收缩函数进行处理，具体包括：
通过利用非高斯双变量函数统计剪切波系数模型，首先定义了更精细尺度和粗糙尺度的关系，然后对剪切波系数进行有效的建模，每个系数取决于称为CS的较粗尺度中的相同空间位置处的系数，并且每个CS取决于称为FS的即时更精细尺度中的相同空间位置中的系数；因此，剪切波域中的每个CS有一个CS，每个CS有四个FS。该模型可以有效地捕捉框架系数与其CS之间的依赖关系；
对于给定的原始无噪声图像，如果它受到加性高斯白噪声的干扰，则降级后的图像在剪切波域表示如下所示：
g＝f+ε (4)
其中，g,f,ε分别表示观察到的剪切波系数，原始无噪声剪切波系数和噪声的系数。去噪的目的在于获得原始系数的估计使得估计值尽可能接近原始无噪声系数f；在所提出的方法中，最大后验概率(MAP)用于估计去噪系数所以：
可以使用贝叶斯规则来写：
因此可以导出以下等式：
为了描述框架域中CS和FS之间的依赖关系，令f1表示f2的CS，f1是与f2相同空间位置处的框架系数，但在下一个更精细的规模，因此有f＝(f1,f2)，g＝(g1,g2)，ε＝(ε1,ε2)，f1和f2是不相关的，但不是独立的；因此g＝f+ε可以写为以下形式：
假设附加噪声的均值和方差分别是0和由pε(ε)表示的噪声概率密度函数如下：
根据剪切波系数的分布，可以根据对称的圆形概率分布，通过双变量概率密度函数pf(f)拟合模型，因此，它可以表示如下：
用方程(9)和(10)代入方程(7)，得到：
如果pf(f)是个凸的，求解过程等式(11)可以转化为以下求解方程：
其中
用等式(13)代入方程(12)中，下面f1的MAP估计量是双变量收缩函数：
从这个等式可以看出，对于每个剪切波系数，都有一个对应的阈值，它不仅取决于CS系数，还取决于FS系数；
步骤4)对低频剪切波系数fnth进行旋转不变双边非局部均值滤波处理；具体包括：
使用旋转不变双边非局部均值滤波器(Rotation Invariant Bilateral NonlocalMeans Filter，RIBNLM)作为后处理步骤，其优化单个区域所需的平滑之间的权衡并保留图像的细节；所提出的滤波器使用基于强度值和相应的邻域的有效旋转不变相似性度量补充平均值为和如下所示：
其中其中SW代表搜索窗口的大小为11×11像素，wRIBNLM(i,j)是权重，满足条件0≤wRIBNLM(i,j)≤1且∑wRIBNLM(i,j)＝1，和是参考斑点的均值和正在搜索窗口SW中处理的斑点，参数r是平滑参数；局部均值和仅用5×5个邻域计算整个图像一次，并保存在一个具有图像大小的数组中。使用一个小的邻域来计算和以防止图像奇异结构的过度平滑；RIBNLM滤波器具有较低的计算复杂度，并且给斑点赋予合适的权重，这些斑点结构上相似但是相对于参考斑点来说具有不同的方向；
步骤5)经过双变量收缩后的高频剪切波系数和低频处理的旋转不变双变量非局部均值滤波后，对处理后的系数进行DNST逆变换，具体如下：
对上面步骤中的阈值收缩后的高频子带和低频子带进行DNST逆变换，可以得到为了得到利于医生分析的去噪后的PET图像，通过对比实验数据也验证了本发明算法对医学PET图像去噪的优越性；以下介绍DNST逆过程具体算法过程：
S1:输入DNST处理后的的剪切系数shearletCoeffs(i)∈RX*Y*nth；
S2:设定frec∈RX*Y代表重构后的图像序列；
S3:计算每个索引i∈[0,nth]下shearletCoeffs(i)的重构图像序列频率谱frec并求和frec，根据卷积理论和框架理论
S4:做DNST的逆变换得到重构图像序列frec:＝IFFT(frec)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166670.5A CN109559283B (zh) | 2018-10-08 | 2018-10-08 | 基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166670.5A CN109559283B (zh) | 2018-10-08 | 2018-10-08 | 基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109559283A true CN109559283A (zh) | 2019-04-02 |
| CN109559283B CN109559283B (zh) | 2021-06-04 |
Family
ID=65864769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811166670.5A Active CN109559283B (zh) | 2018-10-08 | 2018-10-08 | 基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109559283B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
| CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493935A (zh) * | 2008-11-10 | 2009-07-29 | 西安电子科技大学 | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 |
| CN103077508A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于变换域非局部和最小均方误差的sar图像去噪方法 |
| CN103093441A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于变换域的非局部均值和双变量模型的图像去噪方法 |
| US8612917B2 (en) * | 2009-05-07 | 2013-12-17 | Oracle America, Inc. | Method and system for selecting gate sizes, repeater locations, and repeater sizes of an integrated circuit |
| CN104217406A (zh) * | 2014-09-23 | 2014-12-17 | 重庆大学 | 一种基于剪切波系数处理的sar图像降噪方法 |
-
2018
- 2018-10-08 CN CN201811166670.5A patent/CN109559283B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493935A (zh) * | 2008-11-10 | 2009-07-29 | 西安电子科技大学 | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 |
| US8612917B2 (en) * | 2009-05-07 | 2013-12-17 | Oracle America, Inc. | Method and system for selecting gate sizes, repeater locations, and repeater sizes of an integrated circuit |
| CN103093441A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于变换域的非局部均值和双变量模型的图像去噪方法 |
| CN103077508A (zh) * | 2013-01-25 | 2013-05-01 | 西安电子科技大学 | 基于变换域非局部和最小均方误差的sar图像去噪方法 |
| CN104217406A (zh) * | 2014-09-23 | 2014-12-17 | 重庆大学 | 一种基于剪切波系数处理的sar图像降噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIM W Q 等: "Nonseparable shearlet transform", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| ZHANG JU 等: "LPV based gain scheduling control for 3 DOF helicopter", 《2018 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
| 张聚 等: "小波与双边滤波的医学超声图像去噪", 《中国图象图形学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
| CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
| CN111161182B (zh) * | 2019-12-27 | 2021-03-09 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109559283B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Advances in data preprocessing for biomedical data fusion: An overview of the methods, challenges, and prospects | |
| Kang et al. | Deep convolutional framelet denosing for low-dose CT via wavelet residual network | |
| US10217216B2 (en) | Kind of x-ray chest image rib suppression method based on poisson model | |
| Park et al. | Unpaired image denoising using a generative adversarial network in X-ray CT | |
| Nair et al. | Multi‐sensor medical image fusion using pyramid‐based DWT: a multi‐resolution approach | |
| Gan et al. | BM3D-based ultrasound image denoising via brushlet thresholding | |
| Bai et al. | Probabilistic self‐learning framework for low‐dose CT denoising | |
| Kollem et al. | An optimized SVM based possibilistic fuzzy c-means clustering algorithm for tumor segmentation | |
| Yang et al. | High-frequency sensitive generative adversarial network for low-dose CT image denoising | |
| Gholizadeh-Ansari et al. | Low-dose CT denoising with dilated residual network | |
| Mredhula et al. | An extensive review of significant researches on medical image denoising techniques | |
| Jarosik et al. | Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks | |
| CN103034989A (zh) | 一种基于优质先验图像的低剂量cbct图像去噪方法 | |
| Rajalingam et al. | Multimodal medical image fusion using various hybrid fusion techniques for clinical treatment analysis | |
| CN109559283A (zh) | 基于dnst域双变量收缩和双边非局部均值滤波的医学pet图像去噪方法 | |
| Mecheter et al. | Deep learning with multiresolution handcrafted features for brain MRI segmentation | |
| CN115018728A (zh) | 基于多尺度变换和卷积稀疏表示的图像融合方法及系统 | |
| Xia et al. | Deep residual neural network based image enhancement algorithm for low dose CT images | |
| Lepcha et al. | Multimodal medical image fusion based on pixel significance using anisotropic diffusion and cross bilateral filter | |
| Tran et al. | Deep learning-based inpainting for chest X-ray image | |
| Sebastian et al. | Fusion of multimodality medical images-A review | |
| CN109035156B (zh) | 基于dnst的医学ct图像去噪方法 | |
| Noor et al. | Hybrid image fusion method based on discrete wavelet transform (DWT), principal component analysis (PCA) and guided filter | |
| CN109584322A (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
| CN110570369B (zh) | 一种甲状腺结节超声图像去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |