基于高阶奇异值分解和Rician噪声校正模型的扩散加权图像去噪算法
徐朴
郭莉
冯衍秋
张鑫媛
南方医科大学生物医学工程学院//广东省医学图像处理重点实验室//广东省医学成像与诊断技术工程实验室//粤港澳大湾区脑科学与类脑研究中心,广东 广州 510515
摘要：目的 研究一种新颖的基于高阶奇异值分解(HOSVD)的扩散加权图像去噪算法,用以提高扩散加权(DW)图像的信噪比以及后续量化参数的准确性.方法 我们提出一种基于HOSVD稀疏约束和Rician噪声校正模型的去噪方法,将Rician噪声信号期望融合到传统的HOSVD去噪框架中,从而能够直接对带有Rician噪声的DW图像进行去噪.此外,考虑到对相似块组成的高维数组进行HOSVD去噪处理,容易引入条形伪影,因此本文直接对每个局部DW图像块进行HOSVD去噪,从而解决了条形伪影问题.为了验证所提方法的有效性,我们将本方法与低秩+边缘约束(LR+Edge)、基于全局指导下的局部高阶奇异值分解(GL-HOSVD)、基于块匹配的三维滤波(BM3D)和非局部均值(NLM)4种去噪算法进行了实验对比.结果 实验结果表明,所提方法能够有效降低DW图像噪声,同时较好的保留图像细节以及边缘结构信息.无论是从DW图像的峰值信噪比(PSNR)和结构相似性(SSIM)以及各向异性分数均方根误差定量指标,还是从去噪图像和各向异性分数图的视觉效果来看,本算法都要明显优于LR+Edge,BM3D和NLM.此外,GL-HOSVD虽然可以得到较好的去噪结果,但是在高噪声水平下,会引入条形伪影,而本文方法不但可以得到较好的去噪结果,并且不存在伪影问题.结论 本文提出了一种新颖的HOSVD去噪方法,可以直接处理带有Rician噪声的DW图像,并且解决了同类算法中伪影问题,去噪效果明显,能够为临床提供更准确的量化参数结果,更好服务于临床影像诊断.
关键词：扩散磁共振成像图像去噪高阶奇异值分解Rician噪声
资助基金：国家自然科学基金(61971214)广东省自然科学基金(2019A1515011513)粤港澳大湾区脑科学与类脑研究中心开放课题(2019022)应用基础研究项目(2019A1515110976)中国博士后科学基金(2020M672526)
论文发表日期：2021-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1400-1408 )
英文信息