CN109584322A - 基于频域方向平滑Shearlet医学PET图像去噪方法 - Google Patents
基于频域方向平滑Shearlet医学PET图像去噪方法 Download PDFInfo
- Publication number
- CN109584322A CN109584322A CN201811176861.XA CN201811176861A CN109584322A CN 109584322 A CN109584322 A CN 109584322A CN 201811176861 A CN201811176861 A CN 201811176861A CN 109584322 A CN109584322 A CN 109584322A
- Authority
- CN
- China
- Prior art keywords
- shearlet
- coefficient
- frequency domain
- smooth
- pet image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000003814 drug Substances 0.000 title claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 14
- 238000010008 shearing Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- ZVQOOHYFBIDMTQ-UHFFFAOYSA-N [methyl(oxido){1-[6-(trifluoromethyl)pyridin-3-yl]ethyl}-lambda(6)-sulfanylidene]cyanamide Chemical compound N#CN=S(C)(=O)C(C)C1=CC=C(C(F)(F)F)N=C1 ZVQOOHYFBIDMTQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000004060 metabolic process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 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 2
- 230000009514 concussion Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000001037 epileptic effect Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000023852 carbohydrate metabolic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于频域方向平滑Shearlet医学PET图像去噪方法，提出了新的医学PET图像高斯噪声模型，然后进行频域多尺度分解与多平滑方向分解，对分解后的高频方向平滑Shearlet系数再进行新的统一阈值处理，然后通过逆Shearlet变换生成去噪后的PET图像。与传统的NSST方法(非下采样Shearlet变换)相比本方法去噪效果更好、速度更快，能更好的应用于医学PET图像去噪领域。
Description
技术领域
本发明应用于医学PET图像去噪领域，设计一种适用于医学PET图像的基于频域方向平滑的Shearlet变换医学图像去噪方法。
背景技术
正电子发射型电子计算机断层显像(PET)是目前最为先进的医学成像设备，相比CT和MRI技术其具有较高的安全性、灵敏度高、特异性高、可全身显像等优势，已经成为当前临床诊断中最有力的检查手段之一。
正电子发射断层摄影是新发展起来的核医学检查方法。扫描前先给病人注射一种标记某种正电子的放射性制剂，从它们所参与的代谢过程来测定脑组织的代谢改变。由于大脑所需能量的80％来自葡萄糖，大脑某一部位的功能越活跃，那个部位的脑细胞和葡萄糖代谢就越旺盛。PET可根据葡萄糖代谢率的高低，来检测脑异常代谢的确切部位。PET可在三维空间测定出癫痫病人脑代谢和血流局限异常。癫痫病人脑病灶区在发作时常有代谢增强，发作间隙期病灶区显示代谢降低，从而有助于确定病灶。是目前惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术，现已广泛用于多种疾病的诊断与鉴别诊断、病情判断、疗效评价、脏器功能研究和新药开发等方面。
但是由于PET机理成像的限制，在其成像过程中会产生大量的硬件噪声、软件噪声、统计噪声、以及电子器件本身的噪声，并且绝大多数的PET图像噪声均可用方差为0的高斯白噪声为其模型。上述噪声的存在严重影响了PET图像的质量，导致了PET图像质量较差。因此，从临床应用的角度出发，需要研究去除噪声的算法，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
本发明要克服现有技术的上述缺点，提出一种基于频域方向平滑的Shearlet医学PET去噪方法。
本发明结合噪声的模型的特点和医学PET图像的处理需求提出了一种新的去噪方法，即一种基于频域方向平滑的Shearlet变换医学PET图像去噪方法。Shearlet变换具有多分辨率、方向性、局部性、各向异性，是图像最稀疏的表示，并已在图像处理领域得到了广泛的应用，而具有频域方向平滑的Shearlet具有更好稀疏性和更低的逼近误差，并且针对PET去噪领域的奇异性有较好的捕捉能力。对于传统的PET图像去噪的方法，本发明能更好应用于PET图像去噪，更好的为医生做出准确诊断。同时对于高频的Shearlet系数本发明方法提出了新的更适合于本发明的统一阈值方法，对于低频系数则采用了三边滤波，不仅能去除低频部分的脉冲与斑点噪声，还能很好的保持图像的边缘部分更好的保留PET图像中病灶边缘等的细节部分，能更好的帮助医生进行病情分析。
与现有技术相比，本发明的新颖性和创造性在于：
本发明首先对一般意义的Shearlet系统，提出了新的具有频域方向平滑的Shearlet系统，基于此平滑模型进行多尺度、多方向分解的Shearlet变换，具有更好的多维奇异性逼近；然后，本次本发明针对高低频方面的Shearlet系数分别提出了新的统一阈值算法，因此极大提升了本发明方法去噪效果。
为了使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案做进一步描述，一种基于频域方向平滑的Shearlet医学PET去噪方法，具有以下5个步骤：
步骤1)建立新的医学PET图像噪声模型；
首先读取PET文件得到图像像素点rx,y，设无噪医PET图像序列为{rx,y；x,y＝1,2,...,n,n∈N}，其rx,y为医学PET图像中(x,y)点的灰度值。含噪医学PET图像的噪声模型一般如下
s(x,y)＝r(x,y)ε(x,y) (1)
这里，(x,y)分别代表视频图像的二维坐标，r(x,y)表示无噪声信号，ε(x,y)表示相乘噪声。
对上述噪声模型进行对数处理从而数字化，此时相乘的式(1)模型将变为相加的模型，如下
log(s(x,y))＝log(r(x,y))+log(ε(x,y)) (2)
此时，得到的信号log(s(x,y))即是通常看到的医学PET图像。
因此式(2)模型经过本发明频域方向平滑Shearlett变换后得到下面医学PET图像模型：
其中和分别表示含有噪声的Shearlet系数、无噪声的Shearlet系数和高斯噪声的Shearlet系数。其中上标j为Shearlet变换的分解层数，下标(x,y)为变换域内的坐标。
步骤2)生成新的频域方向平滑Shearlet滤波器组与尺度滤波器组；
尺度滤波器主要用来保留PET图像的主要轮廓部分，v为辅助函数,ω为频域坐标，其频域表达式如下：
传统的方向滤波器主要用来克服小波系统方向性不足的缺点，从而对PET图像进行更好方向逼近，其频域表达式如下，其中b为bump函数：
本发明中新的频域方向平滑的滤波器表达式如下：
新的频域尺方向平滑滤波器较原始的方向滤波器，边界更平滑，没有高频分量泄露，能更好的进行方向滤波，因此能更好的进行多方向滤波，故能得到更好的PET图像去噪效果。
步骤3)计算频域平滑多尺度与多方向分解的Shearlet系数；
产生了频域方向平滑Shearlet系统之后我们还需要使用该系统与步骤一读到的PET图像做内积运算从而产生多尺度多方向的平滑Shearlet系数，系数的算法过程如下所示，其中FFT、IFFT分别为多维傅里叶变换与逆变换。
频域方向平滑Shearlet正变换系数的具体算法过程为：
S1.输入一个磁共振图像f∈RX*Y，尺度参数J∈N，一个剪切向量参数k∈NJ，以及选
择频域方向平滑滤波器DirectionFilter、频域尺度低通滤波器QuadratureMirrorFilter。
S2.计算输入信号的频率谱ffreq＝FFT(f)。
S3.计算i＝1时的Shearlet系数shearletCoeffs(i)∈RX*Y*nth，根据卷积理论和框架理论
S4.计算i＝i+1,重复第三步,直到i＝J,对得到的系数求和shearletCoeffs(i)。
S5.输出频域方向平滑Shearlet系数shearletCoeffs(i)。
其中第S3步中nth代表了整个频域方向平滑Shearlet系统的冗余度。
步骤4)对高频部分的子带频域方向平滑Shearlet系数进行新的统一阈值法处理；
经过多尺度与多方向分解的磁共振图像子带部分噪声的Shearlet系数一般都很小并且接近于0，因此我们需要保留较大的系数，我们需要通过一个阈值函数来区分有用系数与需要去除的噪声系数。经典的阈值方法有软阈值法和硬阈值法，但是在软阈值法中，较大的Shearlet系数总是被阈值缩减，因此收缩后的信号的数学期望与收缩之前不同，所以处理后的图像相对平滑一些。硬阈值法的缺点是在零值域附近的Shearlet系数被突然置零，导致了数据的不连续性，并且这使得信号的方差更大了，这些变换对于图像中的细节影响较大。但是在实际应用中，特别是噪声水平很高时，硬阈值法处理后的图像在不连续点周围会产生震荡，影响图像的去噪效果。
Donoho等人提出了一种典型的阈值选取方法，并且从理论上证明了该阈值与噪声的标准差成正比，改阈值函数又称为统一阈值函数，其公式如下
其中，M即是对应变换域内变换系数的总体个数，σn是噪声的标准差。在这种阈值函数中，阈值T受变换系数的个数影响较大，即当M过大时，较大的阈值可能会平滑掉那些系数较小的有用信息。因此在式(8)的基础之上，本发明提出了一种更加适合医学PET图像的阈值函数，其公式如下
其中，aj属于j层的自适应参数，J为最大的分解层数，M为Shearlet系数个数,σn是噪声的标准差，σw,j为无噪图像的标准差；在阈值函数中，噪声的标准差σn和无噪图像的标准差σw,j是未知的；其中，σn可以由剪切波变换分解后第一层的1子带剪切波系数G1,k绝对值的值得到，其中j＝1,k为方向，即：
由于小波变换是线性变换，而剪切波变换是小波变换的高维拓展，也是满足线性变换，因此可得：
由于无噪信号的系数和斑点噪声的系数都是符合零均值的模型分布，j层的剪切波系数的标准差σg,j可由该层的剪切波系数得到：
这里，j,k分别表示层数和该层的方向；可得：
在频域方向平滑Shearlet变换去噪方法中，首先选定一个给定阈值，然后按照一定的规则对Shearlet系数进行收缩，便完成了对频域方向平滑Shearlet系数的去噪。即给定一个阈值，所有绝对值小于这个阈值的系数被当作噪声，然后对其作置零处理。
步骤5)作频域方向平滑Shearlet逆变换处理，得到去噪后的医学PET图像；
经过统一阈值处理就可以得到去噪后的频域方向平滑Shearlet系数，为了得到去噪后的PET图像，还需要需要对系数进行频域方向平滑Shearlet逆变换，从而可以得到利于医师分析的清晰的PET图像。
频域方向平滑Shearlet逆变换得到重构PET图像的具体算法过程为：
T1.输入频域尺度方向Shearlet系数shearletCoeffs(i)∈RX*Y*nth。
T2.设frec∈RX*Y代表重构后的图像序列。
T3.计算i＝1下shearletCoeffs(i)的重构图像序列频率谱frec,根据卷积理论和框架理论
T4.重复第三步，计算freci＝i+1直到i＝J，并求和frec。
T5.做逆傅里叶变换得到重构图像序列frec:＝IFFT(frec)。
本发明具有以下优点：
1.提出了新的具有频域方向平滑的Shearlet变换，能更好的保留图像的轮廓信息。
2.针对PET图像，本发明相对小波方法具有更好的多维奇异逼近特性，能更好的进行PET图像去噪。
3.本发明算法的针对PET图像的运行速度较传统去噪算法更快。
附图说明
图1是本发明方法读取到含噪的PET图像序列。
图2是bump函数b的图像。
图3是辅助函数v的图像。
图4a是传统频域方向滤波器图像，图4b是与本发明的频域方向平滑滤波器图像。
图5是发明本方法的整体流程图。
图6是本发明方法去噪效果图。
图7是与传统非频域方向平滑NSST方去噪效果图。
具体实施方式
以下结合附图对本发明做进一步说明：
本发明基于频域方向平滑Shearlet医学PET图像去噪方法，包括以下步骤：
步骤1)建立新的医学PET图像噪声模型；
图1是本发明方法读取到含噪的PET图像，其模型如下：
首先读取PET文件得到图像像素点rx,y，设无噪医PET图像序列为{rx,y；x,y＝1,2,...,n,n∈N}，其rx,y为医学PET图像中(x,y)点的灰度值。含噪医学PET图像的噪声模型一般如下
s(x,y)＝r(x,y)ε(x,y) (1)
这里，(x,y)分别代表视频图像的二维坐标，r(x,y)表示无噪声信号，ε(x,y)表示相乘噪声。
对上述噪声模型进行对数处理从而数字化，此时相乘的式(1)模型将变为相加的模型，如下
log(s(x,y))＝log(r(x,y))+log(ε(x,y)) (2)
此时，得到的信号log(s(x,y))即是通常看到的医学PET图像。
因此式(2)模型经过本发明频域方向平滑Shearlett变换后得到下面医学PET图像模型：
其中和分别表示含有噪声的Shearlet系数、无噪声的Shearlet系数和高斯噪声的Shearlet系数。其中上标j为Shearlet变换的分解层数，下标(x,y)为变换域内的坐标。
步骤2)生成新的频域方向平滑Shearlet滤波器组与尺度滤波器组；
尺度滤波器主要用来保留PET图像的主要轮廓部分，v为辅助函数,ω为频域坐标，其频域表达式如下：
传统的方向滤波器主要用来克服小波系统方向性不足的缺点，从而对PET图像进行更好方向逼近，其频域表达式如下，其中b为bump函数：
本发明中新的频域方向平滑的滤波器表达式如下：
新的频域尺方向平滑滤波器较原始的方向滤波器，边界更平滑，没有高频分量泄露，能更好的进行方向滤波，因此能更好的进行多方向滤波，故能得到更好的PET图像去噪效果。
步骤3)计算频域平滑多尺度与多方向分解的Shearlet系数；
产生了频域方向平滑Shearlet系统之后我们还需要使用该系统与步骤一读到的PET图像做内积运算从而产生多尺度多方向的平滑Shearlet系数，系数的算法过程如下所示，其中FFT、IFFT分别为多维傅里叶变换与逆变换。
频域方向平滑Shearlet正变换系数的具体算法过程为：
S1.输入一个磁共振图像f∈RX*Y，尺度参数J∈N，一个剪切向量参数k∈NJ，以及选
择频域方向平滑滤波器DirectionFilter、频域尺度低通滤波器QuadratureMirrorFilter。
S2.计算输入信号的频率谱ffreq＝FFT(f)。
S3.计算i＝1时的Shearlet系数shearletCoeffs(i)∈RX*Y*nth，根据卷积理论和框架理论
S4.计算i＝i+1,重复第三步,直到i＝J,对得到的系数求和shearletCoeffs(i)。
S5.输出频域方向平滑Shearlet系数shearletCoeffs(i)。
其中第S3步中nth代表了整个频域方向平滑Shearlet系统的冗余度。
步骤4)对高频部分的子带频域方向平滑Shearlet系数进行新的统一阈值法处理；
经过多尺度与多方向分解的磁共振图像子带部分噪声的Shearlet系数一般都很小并且接近于0，因此我们需要保留较大的系数，我们需要通过一个阈值函数来区分有用系数与需要去除的噪声系数。经典的阈值方法有软阈值法和硬阈值法，但是在软阈值法中，较大的Shearlet系数总是被阈值缩减，因此收缩后的信号的数学期望与收缩之前不同，所以处理后的图像相对平滑一些。硬阈值法的缺点是在零值域附近的Shearlet系数被突然置零，导致了数据的不连续性，并且这使得信号的方差更大了，这些变换对于图像中的细节影响较大。但是在实际应用中，特别是噪声水平很高时，硬阈值法处理后的图像在不连续点周围会产生震荡，影响图像的去噪效果。
Donoho等人提出了一种典型的阈值选取方法，并且从理论上证明了该阈值与噪声的标准差成正比，改阈值函数又称为统一阈值函数，其公式如下
其中，M即是对应变换域内变换系数的总体个数，σn是噪声的标准差。在这种阈值函数中，阈值T受变换系数的个数影响较大，即当M过大时，较大的阈值可能会平滑掉那些系数较小的有用信息。因此在式(8)的基础之上，本发明提出了一种更加适合医学PET图像的阈值函数，其公式如下
其中，aj属于j层的自适应参数，J为最大的分解层数，M为Shearlet系数个数,σn是噪声的标准差，σw,j为无噪图像的标准差；在阈值函数中，噪声的标准差σn和无噪图像的标准差σw,j是未知的；其中，σn可以由剪切波变换分解后第一层的1子带剪切波系数G1,k绝对值的值得到，其中j＝1,k为方向，即：
由于小波变换是线性变换，而剪切波变换是小波变换的高维拓展，也是满足线性变换，因此可得：
由于无噪信号的系数和斑点噪声的系数都是符合零均值的模型分布，j层的剪切波系数的标准差σg,j可由该层的剪切波系数得到：
这里，j,k尺度分别表示层数和该层的方向；可得：
在频域方向平滑Shearlet变换去噪方法中，首先选定一个给定阈值，然后按照一定的规则对Shearlet系数进行收缩，便完成了对频域方向平滑Shearlet系数的去噪。即给定一个阈值，所有绝对值小于这个阈值的系数被当作噪声，然后对其作置零处理。
步骤5)作频域方向平滑Shearlet逆变换处理，得到去噪后的医学PET图像；
经过统一阈值处理就可以得到去噪后的频域方向平滑Shearlet系数，为了得到去噪后的PET图像，还需要需要对系数进行频域方向平滑Shearlet逆变换，从而可以得到利于医师分析的清晰的PET图像。
频域方向平滑Shearlet逆变换得到重构PET图像的具体算法过程为：
T1.输入频域尺度方向Shearlet系数shearletCoeffs(i)∈RX*Y*nth。
T2.设frec∈RX*Y代表重构后的图像序列。
T3.计算i＝1下shearletCoeffs(i)的重构图像序列频率谱frec,根据卷积理论和框架理论
T4.重复第三步，计算freci＝i+1直到i＝J，并求和frec。
T5.做逆傅里叶变换得到重构图像序列frec:＝IFFT(frec)。
案例分析
为了客观地评价本发明提出的PET图像去噪方法，以峰值信噪比(PSNR)、结构相似度(SSIM)、和运行时间作为图像质量评价标准，其中PSNR是最广泛使用的评价图像的客观指标，其值越大代表图像失真越小，SSIM是评价图像结构是否相似的客观指标，其取值范围[0 1]取值为1代表图像结构完全相同。为了更好的展示本发明方法的优点，本发明与经典的NSST方法(非下采样Shearlet变换)进行了对比。
本案例中首先利用医学PET图像参数(尺寸大小为256x256、剪切参数k＝[1 1]、尺度数J＝2,)生成频域方向平滑Shearlet系统，当确定分解级尺度数J(正整数)与每一尺度下的剪切参数向量k后，则可以利用此系统与加噪PET图像模型进行多尺度多方向分解，生成频域方向平滑Shearlet系数。例如本案例中J＝2时、k＝[1 1]时，然后利用本发明方法的第4步处理高频系数，最后通过逆变换可以得到去噪后的医学PET图像。
图6为本发明方法与图7为NSST方法去噪前后的PET效果图，表1为时间、峰值信噪比、结构相似度对比，通过实物图以及客观指标对比，本发明方法都优于NSST方法，能更好的应用于医学PET图像去噪领域，因而可以更好的帮助医生精确诊断病情。
表1
| 算法 | 时间(time/s) | PSNR | SSIM |
| 本发明方法 | 3.5987s | 35.6578 | 0.9612 |
| NSST | 10.5845 | 33.4963 | 0.9235 |
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)
1.一种基于频域方向平滑Shearlet医学PET图像去噪方法方法，包含以下步骤：
步骤1)建立新的医学PET图像噪声模型；
首先读取PET文件得到图像像素点rx,y，设无噪医学PET图像序列为{rx,y；x,y＝1,2,...,n,n∈N}，其rx,y为医学PET图像中(x,y)点的灰度值；含噪医学PET图像的噪声模型一般如下
s(x,y)＝r(x,y)ε(x,y) (1)
这里，(x,y)分别代表视频图像的二维坐标，r(x,y)表示无噪声信号，ε(x,y)表示相乘噪声；
对上述噪声模型进行对数处理从而数字化，此时相乘的式(1)模型将变为相加的模型，如下
log(s(x,y))＝log(r(x,y))+log(ε(x,y)) (2)
此时，得到的信号log(s(x,y))即是通常看到的医学PET图像；
因此式(2)模型经过本发明频域方向平滑Shearlett变换后得到下面医学PET图像模型：
其中和分别表示含有噪声的Shearlet系数、无噪声的Shearlet系数和高斯噪声的Shearlet系数；其中上标j为Shearlet变换的分解层数，下标(x,y)为变换域内的坐标；
步骤2)生成新的频域方向平滑Shearlet滤波器组与尺度滤波器组；
尺度滤波器主要用来保留PET图像的主要轮廓部分，v为辅助函数,w为频域坐标，其频域表达式如下：
传统的方向滤波器主要用来克服小波系统方向性不足的缺点，从而对PET图像进行更好方向逼近，其频域表达式如下，其中b为bump函数：
新的频域方向平滑的滤波器表达式如下：
新的频域尺方向平滑滤波器较原始的方向滤波器，边界更平滑，没有高频分量泄露，能更好的进行方向滤波，因此能更好的进行多方向滤波，故能得到更好的PET图像去噪效果；
步骤3)计算频域平滑多尺度与多方向分解的Shearlet系数；
产生了频域方向平滑Shearlet系统之后还需要使用该系统与步骤一读到的PET图像做内积运算从而产生多尺度多方向的平滑Shearlet系数，系数的算法过程如下所示，其中FFT、IFFT分别为多维傅里叶变换与逆变换；
频域方向平滑Shearlet正变换系数的具体算法过程为：
S1.输入一个磁共振图像f∈RX*Y，尺度参数J∈N，一个剪切向量参数k∈NJ，以及选择频域方向平滑滤波器DirectionFilter、频域尺度低通滤波器QuadratureMirrorFilter；
S2.计算输入信号的频率谱ffreq＝FFT(f)；
S3.计算i＝1时的Shearlet系数shearletCoeffs(i)∈RX*Y*nth，根据卷积理论和框架理论
S4.计算i＝i+1,重复第三步,直到i＝J,对得到的系数求和shearletCoeffs(i)；
S5.输出频域方向平滑Shearlet系数shearletCoeffs(i)；
其中第S3步中nth代表了整个频域方向平滑Shearlet系统的冗余度；
步骤4)对高频部分的子带频域方向平滑Shearlet系数进行新的统一阈值法处理；
经过多尺度与多方向分解的PET图像子带部分噪声的Shearlet系数一般都很小并且接近于0，因此我们需要保留较大的系数，需要通过一个阈值函数来区分有用系数与需要去除的噪声系数；
提出了一种更加适合医学PET图像的阈值函数，其公式如下
其中，aj属于j层的自适应参数，J为最大的分解层数，M为Shearlet系数个数,σn是噪声的标准差，σw,j为无噪图像的标准差；在阈值函数中，噪声的标准差σn和无噪图像的标准差σw,j是未知的；其中，σn可以由剪切波变换分解后第一层的子带剪切波系数G1,k绝对值的值得到，其中j＝1,k为方向，即：
由于小波变换是线性变换，而剪切波变换是小波变换的高维拓展，也是满足线性变换，因此可得：
由于无噪信号的系数和高斯噪声的系数都是符合零均值的模型分布，j层的剪切波系数的标准差σg,j可由该层的剪切波系数得到：
这里，j,k分别表示层数和该层的方向；可得：
在频域尺度平滑Shearlet变换去噪方法中，首先选定一个给定阈值，然后按照一定的规则对Shearlet系数进行收缩，便完成了对频域尺度平滑Shearlet系数的去噪；即给定一个阈值，所有绝对值小于这个阈值的系数被当作噪声，然后对其作置零处理；
步骤5)作频域方向平滑Shearlet逆变换处理，得到去噪后的医学PET图像；
经过统一阈值处理就可以得到去噪后的频域方向平滑Shearlet系数，为了得到去噪后的PET图像，还需要对系数进行频域方向平滑Shearlet逆变换，从而可以得到利于医师分析的清晰的PET图像；
频域方向平滑Shearlet逆变换得到重构PET图像的具体算法过程为：
T1.输入频域尺度方向Shearlet系数shearletCoeffs(i)∈RX*Y*nth；
T2.设frec∈RX*Y代表重构后的图像序列；
T3.计算i＝1下shearletCoeffs(i)的重构图像序列频率谱frec,根据卷积理论和框架理论
T4.重复第三步，计算freci＝i+1直到i＝J，并求和frec；
T5.做逆傅里叶变换得到重构图像序列frec:＝IFFT(frec)；
经过上述5步，最终可以得到更清晰的医学PET图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811176861.XA CN109584322B (zh) | 2018-10-10 | 2018-10-10 | 基于频域方向平滑Shearlet医学PET图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811176861.XA CN109584322B (zh) | 2018-10-10 | 2018-10-10 | 基于频域方向平滑Shearlet医学PET图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109584322A true CN109584322A (zh) | 2019-04-05 |
| CN109584322B CN109584322B (zh) | 2023-12-26 |
Family
ID=65920337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811176861.XA Active CN109584322B (zh) | 2018-10-10 | 2018-10-10 | 基于频域方向平滑Shearlet医学PET图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584322B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111904379A (zh) * | 2020-07-13 | 2020-11-10 | 上海联影医疗科技有限公司 | 多模态医学设备的扫描方法和装置 |
| CN116862789A (zh) * | 2023-06-29 | 2023-10-10 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030076988A1 (en) * | 2001-10-18 | 2003-04-24 | Research Foundation Of State University Of New York | Noise treatment of low-dose computed tomography projections and images |
| CN101930598A (zh) * | 2010-08-11 | 2010-12-29 | 西安电子科技大学 | 基于shearlet域非局部均值的自然图像去噪方法 |
| CN102289793A (zh) * | 2011-07-19 | 2011-12-21 | 天津理工大学 | 一种面向游牧服务的多尺度图像处理方法 |
| US20130051674A1 (en) * | 2010-05-07 | 2013-02-28 | Bart Goossens | Method and device for estimating noise in a reconstructed image |
| CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
-
2018
- 2018-10-10 CN CN201811176861.XA patent/CN109584322B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030076988A1 (en) * | 2001-10-18 | 2003-04-24 | Research Foundation Of State University Of New York | Noise treatment of low-dose computed tomography projections and images |
| US20130051674A1 (en) * | 2010-05-07 | 2013-02-28 | Bart Goossens | Method and device for estimating noise in a reconstructed image |
| CN101930598A (zh) * | 2010-08-11 | 2010-12-29 | 西安电子科技大学 | 基于shearlet域非局部均值的自然图像去噪方法 |
| CN102289793A (zh) * | 2011-07-19 | 2011-12-21 | 天津理工大学 | 一种面向游牧服务的多尺度图像处理方法 |
| CN107886489A (zh) * | 2017-12-04 | 2018-04-06 | 新疆大学 | 基于剪切波变换及引导滤波技术提高医学图像质量的方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111904379A (zh) * | 2020-07-13 | 2020-11-10 | 上海联影医疗科技有限公司 | 多模态医学设备的扫描方法和装置 |
| CN111904379B (zh) * | 2020-07-13 | 2024-04-12 | 上海联影医疗科技股份有限公司 | 多模态医学设备的扫描方法和装置 |
| CN116862789A (zh) * | 2023-06-29 | 2023-10-10 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
| CN116862789B (zh) * | 2023-06-29 | 2024-04-23 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109584322B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nair et al. | Multi‐sensor medical image fusion using pyramid‐based DWT: a multi‐resolution approach | |
| Kang et al. | Image denoising of low-radiation dose coronary CT angiography by an adaptive block-matching 3D algorithm | |
| Andria et al. | Linear filtering of 2-D wavelet coefficients for denoising ultrasound medical images | |
| CN109003232A (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
| Lin et al. | Improving PET-based physiological quantification through methods of wavelet denoising | |
| Mei et al. | Bendlet transform based adaptive denoising method for microsection images | |
| CN109522894A (zh) | 一种探测fMRI脑网络动态协变的方法 | |
| CN109598680B (zh) | 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法 | |
| CN107845079A (zh) | 基于紧支撑的3D‑shearlet医学CT视频去噪方法 | |
| Brown et al. | A fast discrete S-transform for biomedical signal processing | |
| US20150371372A1 (en) | System and method for medical image quality enhancement using multiscale total variation flow | |
| Shao et al. | Breast cancer detection using multimodal time series features from ultrasound shear wave absolute vibro-elastography | |
| CN109035156B (zh) | 基于dnst的医学ct图像去噪方法 | |
| Flores-Tapia et al. | Semi automatic MRI prostate segmentation based on wavelet multiscale products | |
| Prakash et al. | Binary photoacoustic tomography for improved vasculature imaging | |
| Tariq et al. | A cross sectional study of tumors using bio-medical imaging modalities | |
| CN109584322A (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
| EP2498222A2 (en) | Method and system for regression-based 4D mitral valve segmentation from 2D+T magnetic resonance imaging slices | |
| Kia et al. | Early diagnosis of skin cancer by ultrasound frequency analysis | |
| Zhang et al. | Boundary delineation in transrectal ultrasound image for prostate cancer | |
| CN108846813A (zh) | 基于mfdf分解框架与nsst的医学ct图像去噪方法 | |
| Rouis et al. | The effectiveness of the choice of criteria on the stationary and non-stationary noise removal in the phonocardiogram (PCG) signal using discrete wavelet transform | |
| John et al. | Total variation algorithms for PAT image reconstruction | |
| O'Sullivan et al. | A regularized contrast statistic for object boundary estimation-implementation and statistical evaluation | |
| CN109559283B (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 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231122 Address after: No. 619 Jicui Street, Xinglong Street, Tianfu New Area, China (Sichuan) Pilot Free Trade Zone, Shuangliu District, Chengdu City, Sichuan Province, 610000, Building 4, 13th Floor, No.1 Applicant after: Sichuan engineering equipment design and Research Institute Co.,Ltd. Address before: No. B3-29, Fenghuo Hardware Building Materials and Plumbing Market, Baishazhou Avenue, Hongshan District, Wuhan City, Hubei Province, 430000 Applicant before: Wuhan Pengzhou Technology Co.,Ltd. Effective date of registration: 20231122 Address after: No. B3-29, Fenghuo Hardware Building Materials and Plumbing Market, Baishazhou Avenue, Hongshan District, Wuhan City, Hubei Province, 430000 Applicant after: Wuhan Pengzhou Technology Co.,Ltd. Address before: 310014 No. 18 Chao Wang Road, Xiacheng District, Zhejiang, Hangzhou Applicant before: JIANG University OF TECHNOLOGY |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |