Магнітно-резонансна обробка зображень за допомогою методу періодограм

Сергій Петрович Мамотенко; Андрій В'ячеславович Нетреба

doi:10.20535/S002134702412001X

Автор(и)

Сергій Петрович Мамотенко Київський національний університет імені Тараса Шевченка , Україна https://orcid.org/0009-0007-8473-2792
Андрій В'ячеславович Нетреба Київський національний університет імені Тараса Шевченка , Україна https://orcid.org/0000-0003-1347-3854

DOI:

https://doi.org/10.20535/S002134702412001X

Ключові слова:

магнітний резонанс, періодограма, гаусів шум, перетворення Фур’є, реконструкція зображень, обробка зображень

Анотація

Магнітно-резонансні (МР) зображення часто бувають спотворені небажаними шумами, що накладаються на корисний сигнал. Це призводить до того, що отримане зображення може не забезпечувати необхідну якість, яка дозволяє їх коректну інтерпретацію. В даному дослідженні пропонується використовувати метод періодограм, як непараметричний метод обробки та відновлення спотворених шумом МР зображень без апріорного знання про їхні спектральні характеристики. В роботі проведено моделювання в режимі реального часу зашумлення зображень штучно доданим гаусовим шумом. За допомогою перетворення спотворених МР зображень в частотній області, застосовуючи періодограми Даніеля та виконуючи зворотне перетворення був знижений вплив шуму. Метою роботи є оцінка можливих застосувань методу та його обмежень з точки зору майбутнього застосування для усунення шумів МРТ-сканування з використанням міри індексу структурної подібності SSIM (Structural Similarity Index Measure), пікового значення відношення сигнал–шум PSNR (Peak Signal-to-Noise Ratio), і метрики фрактальної розмірності FD (Fractal Dimension). Значення вказаних метрик показали, що очищенні від шуму зображення в значній мірі відповідають візуальній оцінці зображень.

Посилання

E. J. Ciaccio, “Review of biomedical signal and image processing,” Biomed. Eng. OnLine, vol. 12, no. 1, p. 88, 2013, doi: https://doi.org/10.1186/1475-925X-12-88.
M. Juneja et al., “Denoising of magnetic resonance images of brain tumor using BT-Autonet,” Biomed. Signal Process. Control, vol. 87, p. 105477, 2024, doi: https://doi.org/10.1016/j.bspc.2023.105477.
H. Wang et al., “The value of using a deep learning image reconstruction algorithm of thinner slice thickness to balance the image noise and spatial resolution in low-dose abdominal CT,” Quant. Imaging Med. Surg., vol. 13, no. 3, pp. 1814–1824, 2023, doi: https://doi.org/10.21037/qims-22-353.
P. Singh et al., “A method noise-based convolutional neural network technique for CT image denoising,” Electronics, vol. 11, no. 21, p. 3535, 2022, doi: https://doi.org/10.3390/electronics11213535.
B. N. Rao, D. L. S. Reddy, “Brain MRI noise reduction using convolutional autoencoder,” in Artificial Intelligence and Data Science. ICAIDS 2021. Communications in Computer and Information Science, vol 1673, 2022, pp. 348–362, doi: https://doi.org/10.1007/978-3-031-21385-4_29.
A. Steuwe et al., “Influence of a deep learning noise reduction on the CT values, image noise and characterization of Kidney and Ureter stones,” Diagnostics, vol. 12, no. 7, p. 1627, 2022, doi: https://doi.org/10.3390/diagnostics12071627.
М. В. Кононов, О. А. Нагуляк, А. В. Нетреба, А. А. Судаков, “Реконструкция в ЯМР методом псевдоинверсии матрицы сигналов,” Известия вузов. Радиоэлектроника, vol. 51, no. 10, pp. 21–25, 2008, doi: https://doi.org/10.20535/S0021347008100038.
А. В. Нетреба, О. А. Нагуляк, А. А. Комаров, “Модификация градиентов магнитных полей фазо-частотного кодирования сигналов при магнитно-резонансной визуализации для регуляризации данных,” Известия вузов. Радиоэлектроника, vol. 64, no. 6, pp. 327–340, 2021, doi: https://doi.org/10.20535/S0021347021060017.
Y. Suleimanov et al., “Magnetic resonance signal processing tool for diagnostic classification,” in 2016 IEEE 36th International Conference on Electronics and Nanotechnology (ELNANO), 2016, pp. 175–179, doi: https://doi.org/10.1109/ELNANO.2016.7493042.
N. Wiest-Daesslé, S. Prima, P. Coupé, S. P. Morrissey, C. Barillot, “Rician noise removal by non-local means filtering for low signal-to-noise ratio MRI: applications to DT-MRI,” in Medical Image Computing and Computer-Assisted Intervention – MICCAI 2008. MICCAI 2008. Lecture Notes in Computer Science, vol 5242, 2008, pp. 171–179, doi: https://doi.org/10.1007/978-3-540-85990-1_21.
M. Naeem Hussien, M. I. Saripan, “Computed tomography soft tissue restoration using Wiener filter,” in 2010 IEEE Student Conference on Research and Development (SCOReD), 2010, pp. 415–420, doi: https://doi.org/10.1109/SCORED.2010.5704045.
K. L. Lew, C. Y. Kew, K. S. Sim, S. C. Tan, “Adaptive Gaussian Wiener filter for CT-scan images with Gaussian noise variance,” J. Informatics Web Eng., vol. 3, no. 1, pp. 169–181, 2024, doi: https://doi.org/10.33093/jiwe.2024.3.1.11.
A. Chaudhari, J. Kulkarni, “Noise estimation in single coil MR images,” Biomed. Eng. Adv., vol. 2, p. 100017, 2021, doi: https://doi.org/10.1016/j.bea.2021.100017.
S. L. Marple, W. M. Carey, “Digital spectral analysis with applications,” J. Acoust. Soc. Am., vol. 86, no. 5, pp. 2043–2043, 1989, doi: https://doi.org/10.1121/1.398548.
B. Goyal, A. Dogra, S. Agrawal, B. S. Sohi, “Noise issues prevailing in various types of medical images,” Biomed. Pharmacol. J., vol. 11, no. 3, pp. 1227–1237, 2018, doi: https://doi.org/10.13005/bpj/1484.
P. P. Mitra, B. Pesaran, “Analysis of dynamic brain imaging data,” Biophys. J., vol. 76, no. 2, pp. 691–708, 1999, doi: https://doi.org/10.1016/S0006-3495(99)77236-X.
N. Di Marco, A. di Palma, A. Frosini, “A study on the predictive strength of fractal dimension of white and grey matter on MRI images in Alzheimer’s disease,” Ann. Math. Artif. Intell., vol. 92, no. 1, pp. 201–214, 2024, doi: https://doi.org/10.1007/s10472-023-09885-8.
R. Rodrigues et al., “Objective quality assessment of medical images and videos: review and challenges,” Multimed. Tools Appl., vol. 84, no. 25, pp. 29915–29948, 2024, doi: https://doi.org/10.1007/s11042-024-20292-x.
G. P. Renieblas, A. T. Nogués, A. M. González, N. Gómez-Leon, E. G. del Castillo, “Structural similarity index family for image quality assessment in radiological images,” J. Med. Imaging, vol. 4, no. 335501, 2017, doi: https://doi.org/10.1117/1.JMI.4.3.035501.