CN113724158B - 一种动态对比增强磁共振成像的降噪方法 - Google Patents
一种动态对比增强磁共振成像的降噪方法 Download PDFInfo
- Publication number
- CN113724158B CN113724158B CN202110930549.0A CN202110930549A CN113724158B CN 113724158 B CN113724158 B CN 113724158B CN 202110930549 A CN202110930549 A CN 202110930549A CN 113724158 B CN113724158 B CN 113724158B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- noise
- pixel point
- resonance imaging
- dynamic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009467 reduction Effects 0.000 title claims abstract description 45
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims description 22
- 230000002146 bilateral effect Effects 0.000 claims description 20
- 230000006698 induction Effects 0.000 claims description 10
- 239000002872 contrast media Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000001514 detection method 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
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009466 transformation 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
- G06T5/20—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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20028—Bilateral filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种动态对比增强磁共振成像的降噪方法:(1)获得添加噪声后的动态对比增强磁共振图像数据Inoise;(2)KIBF利用Inoise中待滤波像素点与其周围相邻像素点的信号强度差距得到信号强度加权矩阵、空间距离大小得到空间距离加权矩阵,两者相乘再归一化得整体加权矩阵,再与Inoise中周围相邻像素点信号对应相乘加和后获得降噪后的Inoise;(3)根据降噪前后的均方误差确定KIBF的L、σs和σz,得到优化后的KIBF;(4)采用动态增强磁共振成像实验数据和优化后的KIBF分别替换(2)中的Inoise和KIBF,再进行(2),获得降噪后的动态增强磁共振成像实验数据。该降噪方法不仅可以去除动态对比增强磁共振成像中的噪声,同时保留图像的药代动力学信息和精细的结构细节。
Description
技术领域
本发明涉及磁共振成像的技术领域,特别涉及一种动态对比增强磁共振成像的降噪方法。
背景技术
动态对比度增强磁共振成像可以用于测量动物及人体组织各成分占比、微血管渗透性、血流动力学等灌注参数。该技术在注射造影剂之前,期间和之后进行连续成像,进而利用药代动力学模型对数据进行分析,从而得到定量生理参数,包括血管密度、通透性等。它通常用于增强不同组织,特别是正常和病灶之间的对比度。动态对比度增强磁共振成像的临床应用包括肿瘤的检测和表征(例如,乳腺,肝,脑,前列腺中的肿瘤),以及心脏梗塞的诊断和血管造影。
尽管磁共振影像在采集速度、空间分辨率和信噪比方面取得了显著的进步,但是依旧会受到噪声的影响。磁共振图像中的噪声有不同的来源,如硬件引起的噪声、几何畸变和磁场强度不均匀性引起的噪声,以及在图像采集过程中病人运动产生的移动伪影。然而,利用药代动力学模型对动态对比度增强磁共振成像进行分析时,噪声可能引起药代动力学模型参数估计产生偏差,这对利用动态对比度增强磁共振成像进行疾病诊断是十分不利的。如公开号为CN109003232A的中国专利公开了基于频域尺度平滑Shearlet的医学MRI图像去噪方法:基于频域尺度平滑Shearlet去噪方法,提出了新的医学MRI图像Racian噪声模型,然后进行频域平滑多尺度分解与多方向分解,对分解后的高频尺度平滑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MRI图像。
因此,如何去除动态对比度增强磁共振成像中的噪声,同时保留药代动力学增强信息和精细的结构细节,并尽量减少引入新的偏差(例如,过度平滑引起的偏差),是目前本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提供一种动态对比增强磁共振成像的降噪方法,本发明提供的降噪方法,不仅可以去除动态对比增强磁共振成像中的噪声,同时保留图像的药代动力学信息和精细的结构细节。
一种动态对比增强磁共振成像的降噪方法,所述降噪方法包括以下步骤:
(1)获得添加噪声后的动态对比增强磁共振图像数据Inoise;
(2)动力学诱导双边滤波器KIBF利用Inoise中待滤波像素点与其周围相邻像素点的信号强度差距得到信号强度加权矩阵,利用Inoise中待滤波像素点与其周围相邻像素点的空间距离大小得到空间距离加权矩阵,将信号强度加权矩阵与空间距离加权矩阵相乘再归一化得整体加权矩阵,将整体加权矩阵与Inoise中周围相邻像素点信号对应相乘加和后获得降噪后的动态增强磁共振成像数据;
(3)根据降噪后的动态增强磁共振成像数据与未添加噪声的动态对比增强磁共振图像数据的均方误差确定动力学诱导双边滤波器KIBF的最佳三维空间过滤窗Ω边长或直径L、空间距离加权系数σs和信号强度加权系数σz,得到优化后的动力学诱导双边滤波器KIBF;
(4)采用动态增强磁共振成像实验数据和步骤(3)中优化后的动力学诱导双边滤波器KIBF分别替换步骤(2)中的Inoise和动力学诱导双边滤波器KIBF,再进行步骤(2),获得降噪后的动态增强磁共振成像实验数据。
在步骤(1)中,获得添加噪声后的动态对比增强磁共振图像数据Inoise的方法为:
(1-1)对动态对比增强磁共振图像实验数据进行归一化操作;
(1-2)使用药代动力学模型对步骤(1-1)处理后的动态对比增强磁共振图像实验数据进行逐点模型拟合,得到每个像素点每帧的拟合残差;
(1-3)根据步骤(1-2)估计的拟合残差,计算每帧感兴趣区域内拟合残差的标准差,即得到每帧噪音的标准差SD(m),其中m为动态增强磁共振成像数据的当前帧数;
(1-4)使用药代动力学模型生成包含一定空间信息的动态对比增强磁共振图像模拟数据Ireal,按步骤(1-3)中得到的噪音标准差SD(m)对Ireal的每帧图像添加Rician噪音,得到添加噪声后的模拟数据Inoise。
优选的,所述归一化的具体方法为:动态对比增强磁共振图像实验数据中每个像素点的时间序列信号除以该像素点未注入造影剂之前的时间序列信号的均值。
优选的,所述药代动力学模型选自Tofts模型、extended-Tofts模型、Patlak模型或shutter-speed模型。
在步骤(2)中,利用Inoise中待滤波像素点与其周围相邻像素点的空间距离大小得到空间距离加权矩阵的方法为:
选择Inoise的像素点,将动力学诱导双边滤波器KIBF过滤窗Ω的中心点设置为该像素点,计算在空间过滤窗内的像素点与中心待过滤像素点的空间距离,得到三维空间距离加权矩阵wspace,得到空间距离加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置。
在步骤(2)中,利用Inoise中待滤波像素点与其周围相邻像素点的信号强度差距得到信号强度加权矩阵的方法为:
计算在空间过滤窗内的任意像素点与中心待过滤像素点的信号强度差距,得到三维信号强度加权矩阵wsignal,得到信号强度加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置,Z(k)代表像素点k的动态增强磁共振成像时序信号,Z(k)={x(k,t),t=1,2,…,T},x为动态增强磁共振成像信号强度,t为动态增强磁共振成像采集的帧数,T代表动态对比增强磁共振成像采集的总帧数,||.||代表欧氏距离计算公式。
在步骤(2)中,将信号强度加权矩阵与空间距离加权矩阵相乘再归一化得整体加权矩阵的方法为:
将空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘并归一化得到整体加权矩阵w,得到整体加权矩阵的公式如下:
其中,S(i)是空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘之后对三维矩阵的每个元素进行加和,S(i)公式如下,
在步骤(2)中,将整体加权矩阵与Inoise中周围相邻像素点信号对应相乘加和后获得降噪后的动态增强磁共振成像数据的方法为:
将Inoise中每帧图像对应的空间过滤窗内像素信号强度与整体加权矩阵w对应相乘,得到空间过滤窗中心的待降噪像素点降噪后的动态对比增强磁共振时序信号Idenoised(i),具体公式如下:
其中,j代表空间过滤窗Ω内某像素点,Z(j)代表空间过滤窗Ω中j像素点降噪前的动态对比增强磁共振时序信号;
移动空间过滤窗到下一个像素点,重复步骤(2),直到完成动态对比增强磁共振成像图像中所有像素点的降噪,得到整体的降噪图像。
在步骤(3)中,计算降噪后动态增强磁共振成像数据与Ireal的均方误差MSE,均方误差的计算公式如下:
其中,M是动态对比增强磁共振图像圈定的感兴趣区域的像素点个数。
在步骤(3)中,确定动力学诱导双边滤波器KIBF的最佳三维空间过滤窗Ω边长(或直径)L,空间距离加权系数σs和信号强度加权系数σz的方法为:
(3-1)在5-30mm范围内变化三维空间过滤窗Ω的边长或直径L,重复步骤(2),计算当前L下的均方误差MSE并统计运行时间,以运行时间为横坐标,MSE为纵坐标,则得到的应为L型曲线,选取L型曲线拐点处边长或直径L作为最佳三维空间过滤窗Ω的边长或直径L;
(3-2),选用步骤(3-1)中确定的最佳三维空间过滤窗Ω的边长或直径L,在0-10范围内变化空间距离加权系数σs和信号强度加权系数σz,重复步骤6-11,计算当前σs和σz组合下的均方误差MSE;
(3-3),根据最小化算法,重复步骤(3-2),直到找到阈值范围内最小MSE,获得最小MSE下的σs和σz组合,即为最佳的σs和σz组合。
本发明提供的动态对比增强磁共振成像的降噪方法不仅可以去除动态对比增强磁共振成像中的噪声,同时保留图像的药代动力学信息和精细的结构细节。
附图说明
图1为本发明方法总流程图;
图2为动力学诱导的双边滤波器(KIBF)降噪方法流程图;
图3为模拟动态对比增强磁共振图像数据中确定最佳三维空间过滤窗Ω过程中的KIBF运行时间-MSE曲线图;
图4为模拟动态对比增强磁共振图像数据中不同σs和σz组合的MSE图;
图5为真实动态对比增强磁共振图像某像素点的时间-信号曲线降噪效果对比;
图6为真实动态对比增强磁共振图像降噪前后图像利用extended-Tofts模型拟合后的参数结果;
图7为降噪后图像SNR和CNR的统计结果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
作为具体实施范例,将本发明提供的动态对比增强磁共振成像的降噪方法应用在一个胶质瘤患者的动态对比增强磁共振图像上,其总操作流程见图1,具体的KIBF算法流程图见图2,具体包括以下步骤:
步骤1,对动态对比增强磁共振图像实验数据进行归一化操作,归一化的具体方法为,每个像素点的时间序列信号除以该像素点未注入造影剂之前的时间序列信号的均值。
步骤2,使用药代动力学模型extended-Tofts模型对步骤1处理后的动态对比增强磁共振图像实验数据进行逐点模型拟合,得到每个像素点每帧的拟合残差。
步骤3,根据步骤2估计的拟合残差,计算每帧感兴趣区域(可以为整个头部)内拟合残差的标准差,即得到每帧噪音的标准差SD(m),其中m为动态增强磁共振成像数据的当前帧数。
步骤4,使用药代动力学模型生成包含一定空间信息的动态对比增强磁共振图像模拟数据Ireal,按步骤3中得到的噪音标准差SD(m)对Ireal的每帧图像添加Rician噪音,得到添加噪声后的模拟数据Inoise。
步骤5,选择动力学诱导双边滤波器(KIBF)的的三维空间过滤窗Ω的大小,三维空间过滤窗Ω应为正方体,边长设为L;设置空间距离加权系数σs和信号强度加权系数σz。
步骤6,选择Inoise的像素点,将动力学诱导双边滤波器(KIBF)过滤窗Ω的中心点设置为该像素点,计算在空间过滤窗内的像素点与中心待过滤像素点的空间距离,得到三维空间距离加权矩阵wspace,得到空间距离加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置。
步骤7,计算在空间过滤窗内的任意像素点与中心待过滤像素点的信号强度差距,得到三维信号强度加权矩阵wsignal,得到信号强度加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置,Z(k)代表像素点k的动态增强磁共振成像时序信号,Z(k)={x(k,t),t=1,2,…,T},x为动态增强磁共振成像信号强度,t为动态增强磁共振成像采集的帧数,T代表动态对比增强磁共振成像采集的总帧数,||.||代表欧氏距离计算公式。
步骤8,将空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘并归一化得到整体加权矩阵w,得到整体加权矩阵的公式如下:
其中,S(i)是空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘之后对三维矩阵的每个元素进行加和,S(i)公式如下,
步骤9,将Inoise中每帧图像对应的空间过滤窗内像素信号强度与整体加权矩阵w对应相乘,得到空间过滤窗中心的待降噪像素点降噪后的动态对比增强磁共振时序信号Idenoised(i),具体公式如下:
其中,j代表空间过滤窗Ω内某像素点,Z(j)代表空间过滤窗Ω中j像素点降噪前的动态对比增强磁共振时序信号。
步骤10,移动空间过滤窗到下一个像素点,重复步骤6到步骤9,直到完成动态对比增强磁共振成像图像中所有像素点的降噪,得到整体的降噪图像。
步骤11,计算降噪后动态增强磁共振成像数据与Ireal的均方误差(MSE),均方误差的计算公式如下:
其中,M是动态对比增强磁共振图像圈定的感兴趣区域的像素点个数。
步骤12,在合理范围内变化三维空间过滤窗Ω的边长(或直径)L,重复步骤6-11,计算当前L下的均方误差MSE并统计运行时间,以运行时间为横坐标,MSE为纵坐标,得到图3,选取L型曲线拐点处边长作为最佳三维空间过滤窗Ω的边长(或直径),在本实施例中L为15毫米。
步骤13,选用步骤12中确定的最佳三维空间过滤窗Ω的边长15毫米,在合理范围内变化空间距离加权系数σs和信号强度加权系数σz,重复步骤6-11,计算当前σs和σz组合下的均方误差MSE。
步骤14,根据最小化算法,重复步骤13,直到找到阈值范围内最小MSE,获得最小MSE下的σs和σz组合,即为动态增强磁共振成像实验数据的最佳的σs和σz组合,如图4所示,本实例最佳σs和σz组合的分别为6和1.5。
步骤15,根据步骤12中得到的最佳三维空间过滤窗Ω的边长15毫米和步骤14得到σs=6和σz=1.5,用动态增强磁共振成像实验数据替换步骤6-10中的Inoise并重新进行步骤6-10,获得降噪后的动态增强磁共振成像实验数据。
为展示本发明提出的方法在动态对比增强磁共振图像降噪方面的效果,下面将结合附图说明该具体实施范例的实验结果:
图5展示了本实施例中动态对比增强磁共振图像中的某个像素点的降噪前,利用常用的高斯滤波器(Gaussian Filter)降噪(σ=1.5)以及本发明提供的动力学诱导双边滤波器(KIBF)方法降噪的时间-信号曲线,可以看到本发明提供的方法,相对于原始信号,有很好的降噪效果,同时保留了信号的细节,而常用的高斯滤波器(Gaussian Filter)降噪方法相比于原始信号产生比较大的偏差。
图6展示了利用extended-Tofts模型分别处理原始数据,高斯滤波器(GaussianFilter)降噪后数据和本发明提供的动力学诱导双边滤波器(KIBF)方法降噪的数据后得到的参数图结果,Ktrans为造影剂转移常数,vp为血液组分占比,ve为组织间隙组分占比,ve在正常组织区域由造影剂泄露较少难以估计,因此只展示了造影剂泄露较多的肿瘤区域。从图6中可以看出,本发明提供的动力学诱导双边滤波器(KIBF)方法在这三个参数图上参数分布更加平滑,同时相比于高斯滤波器(Gauss Filter)的结果能更多的保留图像的细节。
图7展示了降噪后图像SNR和CNR的统计结果。SNR和CNR的公式如下,可以看到本发明提供的动力学诱导双边滤波器(KIBF)方法在SNR和CNR相比于原始图像和高斯滤波器(Gaussian Filter)过滤后的图像都有较大的提升。
Claims (6)
1.一种动态对比增强磁共振成像的降噪方法,其特征在于,所述降噪方法包括以下步骤:
(1)获得添加噪声后的动态对比增强磁共振图像数据Inoise;
(2)动力学诱导双边滤波器KIBF利用Inoise中待滤波像素点与其周围相邻像素点的信号强度差距得到信号强度加权矩阵,利用Inoise中待滤波像素点与其周围相邻像素点的空间距离大小得到空间距离加权矩阵,将信号强度加权矩阵与空间距离加权矩阵相乘再归一化得整体加权矩阵,将整体加权矩阵与Inoise中周围相邻像素点信号对应相乘加和后获得降噪后的动态增强磁共振成像数据;
(3)根据降噪后的动态增强磁共振成像数据与未添加噪声的动态对比增强磁共振图像数据的均方误差确定动力学诱导双边滤波器KIBF的最佳三维空间过滤窗Ω边长或直径L、空间距离加权系数σs和信号强度加权系数σz,得到优化后的动力学诱导双边滤波器KIBF;
(4)采用动态增强磁共振成像实验数据和步骤(3)中优化后的动力学诱导双边滤波器KIBF分别替换步骤(2)中的Inoise和动力学诱导双边滤波器KIBF,再进行步骤(2),获得降噪后的动态增强磁共振成像实验数据;
在步骤(1)中,获得添加噪声后的动态对比增强磁共振图像数据Inoise的方法为:
(1-1)对动态对比增强磁共振图像实验数据进行归一化操作;
(1-2)使用药代动力学模型对步骤(1-1)处理后的动态对比增强磁共振图像实验数据进行逐点模型拟合,得到每个像素点每帧的拟合残差;
(1-3)根据步骤(1-2)估计的拟合残差,计算每帧感兴趣区域内拟合残差的标准差,即得到每帧噪音的标准差SD(m),其中m为动态增强磁共振成像数据的当前帧数;
(1-4)使用药代动力学模型生成包含一定空间信息的动态对比增强磁共振图像模拟数据Ireal,按步骤(1-3)中得到的噪音标准差SD(m)对Ireal的每帧图像添加Rician噪音,得到添加噪声后的模拟数据Inoise;
在步骤(2)中,利用Inoise中待滤波像素点与其周围相邻像素点的空间距离大小得到空间距离加权矩阵的方法为:
选择Inoise的像素点,将动力学诱导双边滤波器KIBF过滤窗Ω的中心点设置为该像素点,计算在空间过滤窗内的像素点与中心待过滤像素点的空间距离,得到三维空间距离加权矩阵wspace,得到空间距离加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置;
在步骤(2)中,利用Inoise中待滤波像素点与其周围相邻像素点的信号强度差距得到信号强度加权矩阵的方法为:
计算在空间过滤窗内的任意像素点与中心待过滤像素点的信号强度差距,得到三维信号强度加权矩阵wsignal,得到信号强度加权矩阵公式如下:
其中,i代表空间过滤窗Ω内中心的待过滤像素点空间坐标位置,j代表空间过滤窗Ω内的任一像素点的空间坐标位置,Z(k)代表像素点k的动态增强磁共振成像时序信号,Z(k)={x(k,t),t=1,2,…,T},x为动态增强磁共振成像信号强度,t为动态增强磁共振成像采集的帧数,T代表动态对比增强磁共振成像采集的总帧数,||.||代表欧氏距离计算公式;
在步骤(2)中,将整体加权矩阵与Inoise中周围相邻像素点信号对应相乘加和后获得降噪后的动态增强磁共振成像数据的方法为:
将Inoise中每帧图像对应的空间过滤窗内像素信号强度与整体加权矩阵w对应相乘,得到空间过滤窗中心的待降噪像素点降噪后的动态对比增强磁共振时序信号Idenoised(i),具体公式如下:
其中,j代表空间过滤窗Ω内某像素点,Z(j)代表空间过滤窗Ω中j像素点降噪前的动态对比增强磁共振时序信号;
移动空间过滤窗到下一个像素点,重复步骤(2),直到完成动态对比增强磁共振成像图像中所有像素点的降噪,得到整体的降噪图像。
2.根据权利要求1所述的动态对比增强磁共振成像的降噪方法,其特征在于,所述归一化的具体方法为:动态对比增强磁共振图像实验数据中每个像素点的时间序列信号除以该像素点未注入造影剂之前的时间序列信号的均值。
3.根据权利要求1所述的动态对比增强磁共振成像的降噪方法,其特征在于,所述药代动力学模型选自Tofts模型、extended-Tofts模型、Patlak模型或shutter-speed模型。
4.根据权利要求1所述的动态对比增强磁共振成像的降噪方法,其特征在于,在步骤(2)中,将信号强度加权矩阵与空间距离加权矩阵相乘再归一化得整体加权矩阵的方法为:
将空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘并归一化得到整体加权矩阵w,得到整体加权矩阵的公式如下:
其中,S(i)是空间距离加权矩阵wspace与信号强度加权矩阵wsignal相乘之后对三维矩阵的每个元素进行加和,S(i)公式如下,
5.根据权利要求1所述的动态对比增强磁共振成像的降噪方法,其特征在于,在步骤(3)中,计算降噪后动态增强磁共振成像数据与Ireal的均方误差MSE,均方误差的计算公式如下:
其中,M是动态对比增强磁共振图像圈定的感兴趣区域的像素点个数。
6.根据权利要求1所述的动态对比增强磁共振成像的降噪方法,其特征在于,在步骤(3)中,确定动力学诱导双边滤波器KIBF的最佳三维空间过滤窗Ω边长或直径L,空间距离加权系数σs和信号强度加权系数σz的方法为:
(3-1)在5-30mm范围内变化三维空间过滤窗Ω的边长或直径L,重复步骤(2),计算当前L下的均方误差MSE并统计运行时间,以运行时间为横坐标,MSE为纵坐标,则得到的应为L型曲线,选取L型曲线拐点处边长或直径L作为最佳三维空间过滤窗Ω的边长或直径L;
(3-2),选用步骤(3-1)中确定的最佳三维空间过滤窗Ω的边长或直径L,在0-10范围内变化空间距离加权系数σs和信号强度加权系数σz,重复步骤(2)和步骤(3)中的计算降噪后动态增强磁共振成像数据与Ireal的均方误差MSE,计算当前σs和σz组合下的均方误差MSE;
(3-3),根据最小化算法,重复步骤(3-2),直到找到阈值范围内最小MSE,获得最小MSE下的σs和σz组合,即为最佳的σs和σz组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930549.0A CN113724158B (zh) | 2021-08-13 | 2021-08-13 | 一种动态对比增强磁共振成像的降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930549.0A CN113724158B (zh) | 2021-08-13 | 2021-08-13 | 一种动态对比增强磁共振成像的降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724158A CN113724158A (zh) | 2021-11-30 |
CN113724158B true CN113724158B (zh) | 2024-01-02 |
Family
ID=78675788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930549.0A Active CN113724158B (zh) | 2021-08-13 | 2021-08-13 | 一种动态对比增强磁共振成像的降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724158B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
CN112037147A (zh) * | 2020-09-02 | 2020-12-04 | 上海联影医疗科技有限公司 | 医学图像降噪方法和装置 |
CN112053414A (zh) * | 2020-09-04 | 2020-12-08 | 浙江大学 | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1952306A4 (en) * | 2005-10-18 | 2013-02-27 | Icad Inc | AUTOMATED METHODS FOR SELECTING VOXELS AND IMPLEMENTING A PHARMACOKINETIC AND PARAMETRIC ANALYSIS FOR DYNAMIC CONTRAST IMPROVED MRI AND CT |
US9412155B2 (en) * | 2012-12-31 | 2016-08-09 | Karl Storz Imaging, Inc. | Video system with dynamic contrast and detail enhancement |
-
2021
- 2021-08-13 CN CN202110930549.0A patent/CN113724158B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院(集团)有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
CN112037147A (zh) * | 2020-09-02 | 2020-12-04 | 上海联影医疗科技有限公司 | 医学图像降噪方法和装置 |
CN112053414A (zh) * | 2020-09-04 | 2020-12-08 | 浙江大学 | 一种从动态对比增强磁共振成像数据中快速提取药代动力学参数的方法 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
Non-Patent Citations (2)
Title |
---|
Dynamic Positron Emission Tomography Image Restoration via a Kinetics-Induced Bilateral Filter;Zhaoying Bian 等;《PLOS》;第9卷(第2期);第1-12页 * |
基于边缘检测与双边滤波的彩色图像去噪;张闯 等;《电子学报》;第38卷(第8期);第1776-1783页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113724158A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shaul et al. | Subsampled brain MRI reconstruction by generative adversarial neural networks | |
Chen et al. | Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges | |
Isa et al. | Automatic contrast enhancement of brain MR images using Average Intensity Replacement based on Adaptive Histogram Equalization (AIR-AHE) | |
Balafar et al. | Review of brain MRI image segmentation methods | |
Belaroussi et al. | Intensity non-uniformity correction in MRI: existing methods and their validation | |
Liu et al. | Denoising 3D MR images by the enhanced non-local means filter for Rician noise | |
Gal et al. | Denoising of dynamic contrast-enhanced MR images using dynamic nonlocal means | |
CN114303169A (zh) | 物理性质定量测量的系统和方法 | |
WO2003042712A1 (en) | Black blood angiography method and apparatus | |
Liang et al. | Voxel-wise functional connectomics using arterial spin labeling functional magnetic resonance imaging: the role of denoising | |
US8144953B2 (en) | Multi-scale analysis of signal enhancement in breast MRI | |
CN106530236B (zh) | 一种医学图像处理方法及系统 | |
Wang et al. | Nonlinear filtering based on 3D wavelet transform for MRI denoising | |
Yin et al. | Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator | |
CN113724158B (zh) | 一种动态对比增强磁共振成像的降噪方法 | |
Almi'ani et al. | Automatic segmentation algorithm for brain MRA images | |
Bhargava et al. | Estimation of noise removal techniques in medical imaging data—A review | |
Jayaraman et al. | Neutrosophic set in medical image denoising | |
Shukla et al. | A comparative study to detect tumor in brain MRI images using clustering algorithms | |
Lee et al. | Performance evaluation of 3D median modified Wiener filter in brain T1-weighted magnetic resonance imaging | |
Somkuwar et al. | Noise reduction techniques in medical imaging data-a review | |
Tabelow et al. | Accurate localization of brain activity in presurgical fMRI by structure adaptive smoothing | |
Fang et al. | Tissue-specific sparse deconvolution for brain CT perfusion | |
Rousseau et al. | On high-resolution image estimation using low-resolution brain MRI | |
Saporito et al. | Automatic indicator dilution curve extraction in dynamic-contrast enhanced imaging using spectral clustering |
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 |