基于小波和稀疏表示的CBCT图像去噪

发布时间：2017-09-11 14:00

  本文关键词：基于小波和稀疏表示的CBCT图像去噪

  更多相关文章： CBCT图像去噪 聚类稀疏表示 小波阈值 WCMS

【摘要】：近年来,随着肿瘤发病率以及病人死亡率的升高,治疗肿瘤的技术也在不断改善,其中,放射治疗技术因发展快速,在临床治疗中的地位不断提高。图像引导放射治疗(Image-guided Radiotherapy,IGRT)被认为是目前最先进的一种精确放疗技术,基于锥束CT(Cone Beam CT,CBCT)成像的IGRT技术能够使放疗精度提高。CBCT的实时性好且灵敏度高,同时使用方便,但图像的软组织对比度低,且有伪影,另外噪声也较严重,特别是图像的弱边缘会由于噪声的混入而变得模糊,不仅会妨碍准确获取摆位信息,而且还会影响后续的配准以及分割等操作,从而增加诊断的难度。CBCT图像的噪声主要受X射线剂量的影响,尽管增加剂量会使图像噪声明显降低,但患者的吸收剂量会提高,这对其健康非常不利。因此,在低剂量前提下,对CBCT图像去噪,从而获得高质量图像的研究具有重要的临床意义。本文首先阐述了常用医学图像中含有的噪声,并对相应去噪算法进行介绍,接下来重点围绕CBCT图像,在分析其成像原理、质量影响因素以及已有去噪算法的基础上,针对聚类稀疏表示去噪算法,提出了联合小波阈值与聚类稀疏表示、WCMS与聚类稀疏表示的两种CBCT图像去噪方法。本文主要工作和创新点如下:(1)研究了基于聚类稀疏表示的图像去噪算法,利用图像的自相似性使用K-means聚类将相似块聚类并利用主成分分析(Principal Component Analysis,PCA)训练图像得到稀疏表示所需的字典,所有的子字典构成一个结构稀疏字典,结构稀疏字典相比于传统的过完备字典,降低了计算复杂度,减少了字典评估的自由度,而且子字典对相应聚类上图像块的表示更具针对性。然而,字典的适应性很大程度上取决于聚类的准确性,聚类不准确会导致图像的细节信息丢失。(2)针对聚类稀疏表示去噪算法细节信息保持能力差的特点,提出使用小波阈值作为预处理,并对全局阈值进行改进,加入的小波阈值预处理,将含噪图像的高频分量提取出来,降低了噪声对聚类准确性的影响,同时改善了图像细节信息,需要的聚类数目更少,从而使算法计算复杂度降低,提出的算法保护和改善了图像细节和边缘信息。(3)提出一种联合WCMS(wavelet coefficient magnitude sum)和聚类稀疏表示的去噪方法。针对WCMS方法去噪效果差但边缘保护性强以及聚类稀疏表示去噪能力强但边缘保护性差的特点,把两种算法相结合,分别对图像去噪后再融合,发挥它们各自的优势,得到去噪效果较强的方法。通过对测试模体图像以及临床上获得CBCT图像进行去噪实验,结果显示本文提出的两种方法在取得较好去噪效果的同时可以很好地保持图像的边缘以及细节信息,还能够增强图像的对比度,对放疗摆位信息的准确获取以及临床诊断应用有很大的帮助。
【关键词】：CBCT图像去噪 聚类稀疏表示 小波阈值 WCMS
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R730.55;TP391.41
【目录】：

• 摘要6-8
• Abstract8-10
• 符号说明10-11
• 第一章 绪论11-15
• 1.1 课题研究背景及意义11-12
• 1.2 国内外研究现状12-14
• 1.3 本文主要工作及安排14-15
• 第二章 医学图像的去噪研究15-21
• 2.1 医学图像噪声分析15-17
• 2.1.1 医学图像噪声的分类15
• 2.1.2 医学图像去噪的意义15-16
• 2.1.3 CT图像去噪16-17
• 2.1.4 MRI图像去噪17
• 2.2 CBCT图像17-20
• 2.2.1 成像原理18
• 2.2.2 质量的影响因素18
• 2.2.3 CBCT图像的去噪18-20
• 2.3 本章小结20-21
• 第三章 基于小波阈值和聚类稀疏表示的去噪算法21-37
• 3.1 稀疏表示理论21-23
• 3.1.1 稀疏表示模型21-22
• 3.1.2 稀疏分解算法与字典构造方法22-23
• 3.2 基于字典学习的稀疏表示图像去噪模型23-26
• 3.3 基于聚类稀疏表示(CSR)的去噪算法26-32
• 3.3.1 图像块结构聚类与PCA字典学习26-28
• 3.3.2 聚类稀疏表示去噪算法介绍28-31
• 3.3.3 聚类稀疏表示去噪结果分析31-32
• 3.4 基于小波阈值和聚类稀疏表示的CBCT图像去噪32-33
• 3.4.1 改进后算法步骤33
• 3.4.2 改进后算法流程33
• 3.5 实验结果及分析33-36
• 3.5.1 测试模体图像去噪对比实验33-35
• 3.5.2 临床CBCT图像去噪对比实验35-36
• 3.6 本章小结36-37
• 第四章 基于WCMS和聚类稀疏表示的去噪算法37-43
• 4.1 WCMS算法介绍37-39
• 4.2 CBCT图像去噪算法的改进39
• 4.2.1 改进后算法步骤39
• 4.2.2 改进后算法流程39
• 4.3 实验结果及分析39-42
• 4.3.1 测试模体图像去噪对比实验39-41
• 4.3.2 临床CBCT图像去噪对比实验41-42
• 4.4 本章小结42-43
• 第五章 总结与展望43-44
• 5.1 本文主要工作的总结43
• 5.2 未来工作的展望43-44
• 参考文献44-48
• 致谢48

，

本文编号：831117