دانلود رایگان ترجمه مقاله حذف نویز از تصاویر DT-MR با PCA تکراری (نشریه الزویر ۲۰۱۵)

این مقاله انگلیسی ISI در نشریه الزویر در ۱۱ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

حذف نویز از تصاویر DT-MR با PCA تکراری

عنوان انگلیسی مقاله:

Denoising Of DT-MR Images With An Iterative PCA

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی پزشکی
گرایش های مرتبط با این مقاله پردازش تصاویر پزشکی 
چاپ شده در مجله (ژورنال) دومین همایش بین المللی بینایی رایانه و اینترنت – Second International Symposium on Computer Vision and the Internet
کلمات کلیدی تصویر DT-MR، SSIM و PCA تکرار کننده
ارائه شده از دانشگاه گروه علوم و مهندسی کامپیوتر، دانشکده مهندسی آمریتا، هند
رفرنس دارد  
کد محصول F1181
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده مقاله
۱-مقدمه
۲- تحقیقات مرتبط
۳- مدل پیشنهادی نوفه زدایی تصاویر DT-MR
۱-۳ گروه بندی قطعات مشابه
۲-۳ نوفه زدایی هر یک گروه از قطعات مشابه
۳-۳ ساخت تصویر نوفه زدایی شده
۴-۳ PCA تکرار کننده
۴- تحلیل عملکرد
۱-۴ – مجموعه داده ها
۲-۴ تولید نویز Rician
۳-۴ واریانس نویز
۴-۴ تحلیل نتایج
۱-۴-۴PSNR (نسبت حداکثر علامت به نویز)
۲-۴-۴ NSSIM (ماتریس میانگین شاخص شباهت ساختاری)
۳-۴-۴ مقایسه کیفیت دیداری و بصری
۵-نتیجه گیری

 

بخشی از ترجمه
 چکیده
امروزه اکثر کاربردهای کلینیکی از تصاویر رزونانس مغناطیسی (MRI) برای تشخیص نابهنجاری های عصبی استفاده می کنند. انرژی منتشر و ساطع شده در طی ضبط تصویر MR با استفاده از برخی از تکنیک های ریاضی به تصاویر تبدیل می شود و این مسئله منجر به افزایش صدا و نویز می شود. بنابراین، باید اقدام به نوفه زدایی تصویرکنیم . اخیراٌ، اکثر کاربردهای کلینیکی از تصاویر دیفیوژن یا انتشار تنسور – MR(Diffusion Tensor MR ) و با استخراج ویژگی های تصاویر اقدام به ردیابی بافت های عصبی میکنند. نویز در تصاویر DT-MR ردیابی بافت ها و تشخیص بیمارهای را مشکل تر می سازد.بنابراین هدف تحقیق ما نوفه زدایی تصاویر Diffusion TensorMR با کیفیت بهتر دیداری است. ما در این مقاله یکی از تکنیک های نوفه زدایی را مطرح می کنیم که از شاخص ماتریس شباهت ساختاری (SSIM) برای طبقه بندی قطعات مشابه استفاده میکند و تحلیل مولفه اصلی تکرار کننده را در هر یک از گروه ها انجام می دهد. ما با اجرا میانگین وزنی مولفه اصلی به تصویر نوفه زدایی شده DT-MR دست می یابیم. برای دستیابی به کیفیت بهتر دیداری تصاویر نوفه زدایی شده از تکنیک تحلیل مولفه اصلی تکرار کننده استفاده میکنیم. 
 
۱- مقدمه
 دیفیوژن ام ار آ (Diffusion MRI یا DMRI) روش تصویر برداری رزونانس مغناطیسی (MRI) است که در اواسط دهه ۱۹۸۰ ظهور پیدا کرد. این روش امکان نگاشت و طراحی پروسه انتشار مولکو ل ها، به ویژه آب، را در بافت های بیولوژیکی، بافت های آزمایشگاهی و غیر مهاجم فراهم می سازد. Diffusion MRI که نیز تصویر برداری Diffusion Tensor یا DTI نامیده می شود در علوم پزشکی بسیار موفق بوده است. این نوع تصویر برداری اصولاٌ برای بررسی و درمان اختلالات عصب شناختی، و اصولاٌ برای بیماران مبتلا به سکته حاد استفاده می شود. زیرا این شیوه قادر به یافتن نابهنجاری های در ساختمان الیاف و بافت ماده سفید و مدل های رسانایی مغز است. اثرات آنیزوتروپی انتشار با تصویر برداری Tensor Diffusion (DTI) میتواند کاملاٌ استخراج، مشخص و استفاده شوند و حتی جزئیات کامل تری را در مورد ریز ساختار بافت ارایه می دهد. DTI برای نمایش نابهنجاری ظریف در انواع بیماری ها (مثل سکته و اسکیزوفرنی)، یافتن بافت های مربوط به رسانایی الیاف استفاده می شود و در حال حاضر تبدیل به بخشی از پروتکل های معمولی و روزمره کلینیکی شده است.
پروسه تصویر برداری تصاویر DT-MR بیمار در اسکنر NRI قرار داده می شوند که میدان قوی مغناطیسی را در اطراف ناحیه تصویر برداری تشکیل می دهد. کاربردهای پزشکی اتکاء به کشف و تشخیص سیگنال فرکانس رادیویی ساطع شده به وسیله اتم های هیدروژن در بدن را استفاده از انرژی میدان نوسان مغناطیسی استفاده شده با فرکانس مناسب طنین انداز دارند. جهت گیری و مسیر یابی تصویر به وسیله تغییر میدان اصلی مغناطیسی و توسط بویین های گرادیان کنترل می شود. از آنجایی که این بویین ها به سرعت روشن و خاموش می شوند، می توانند نویزهای مشخص تکرار کننده اسکن MRI را بسازنند. کنتراست بین بافت های مختف با نسبت و سرعت برگشت اتم های تحریک شده به حالت تعادل مشخص و محاسبه می شوند.
DT-MRI تولید شده در طی حرکت بافت به وضعیت تعادل و حرکت آنیزوتروپیکی مولکول های آب، می تواند حاوی ارزش های شدت ناخواسته باشند.این ارزش های شدت ناخواسته نویز نامیده می شوند. وجود نویز تشخیص بیماری را مشکل تر می سازد. بنابراین به نوفه زدایی تصویر نیاز پیدا می کنیم. الگوریتم های موجود نوفه زدایی می توانند یک تصویر نوفه زدایی شده را ارایه دهند اما قادر به ارایه کیفیت خوب نیستند، مثلاٌ گاهی تصویر نوفه زدایی شده تیره و تار می شود و ساختار ریز و ظریف خود را از دست می دهد. بنابراین، روش پیشنهادی PCA تکرار کننده ما نوفه زدایی DT-MRI است که منجر به ایجاد تصاویر با کیفیت می شود.
ما در این مقاله تکنیکی را جهت اجرا نوفه زدایی معرفی میکنیم که قادر به حذف نویز با کیفیت بهتر می شود و بدین ترتیب تشخیص بیماری را ساده تر می سازد. تکینک نوفه زدایی از تشابه ساختاری قطعات استفاده می کند و از تحلیل مولفه اصلی تکرار کننده برای پروسه نوفه زدایی استفاده میکند. این روش از وجود درجه بالا زواید و افزودنگی در محتوا تصویر استفاده میکند.
تکینک نوفه زدایی مبتنی بر PCA تکرار کننده از چهار مرحله تشکیل شده است. در مرحله اول، قطعات مشابه استخراج می شوند و با استفاده از ماتریس شاخص شباهت ساختاری (SSIM) طبقه بندی می شوند و تناظر یک به یک بین قطعات و گروه ها (نوفه زدایی غیر متراکم) وجود دارد. نوفه زدایی واقعی در مرحله دوم مثلاٌ با یافتن مولفه اصلی هر یک از گروه ها انجام می شود. تصویر نوفه زدایی شده پس از مرحله سوم بدست آورده می شود، اما اولین مرحله تکرار به ما حذف فقط مهمترین بخش خطا تصویر کمک می کند. برون داده و خروجی اولین تکرار باید برای دستیابی به تصویری با کیفیت خوب اصلاح شود. مقدار نویز موجود در برون داده و خروجی اولین تکرار برآورد می شود و استفاده از واریانس نویز همراه و در طول خروجی نوفه زدایی شده اولین تکرار به صورت برون داده به دومین تکرار جریان افزوده می شود. تکرار باید در مرحله دوم متوقف شود، وگرنه منجر به افت ساختار ریز می شود.

 

بخشی از مقاله انگلیسی

Abstract

Nowadays most of the clinical applications uses Magnetic Resonance Images(MRI) for diagnosing neurological abnormalities. During MR image acquisition the emitted energy is converted to image by using some mathematical models, and this may cause addition of noise. Therefore we need to denoise the image. Currently most of the clinical application uses Diffusion Tensor-MR Images for tracking neural fibres by extracting features from the images. Noise in DT-MR Images make fibre tracking and disease diagnosing tougher. So our work aims to denoise the Diffusion Tensor MR images with better visual quality. In this paper, we propose a denoising technique that uses Structural Similarity Index Matrix (SSIM) for grouping similar patches and performs Iterative Principal Component Analysis on each group. By performing the weighted average on Principal Component, we have obtained the denoised DT-MR Image. For getting better visual quality of the denoised images we employ Iterative Principal component Analysis technique.

۱ Introduction

Diffusion MRI (DMRI) is a magnetic resonance imaging (MRI) method which came into existence in the mid1980s. It allows the mapping of the diffusion process of molecules, mainly water, in biological tissues, in vivo and non-invasively. The Diffusion MRI, is also referred to as Diffusion Tensor Imaging or DTI has been extraordinarily successful in the field of medical science. It is mainly used for the study and treatment of neurological disorders, mostly for the patients with acute stroke. Because it can find the abnormalities in white matter fiber structure and provide models of brain connectivity. With Diffusion Tensor Imaging (DTI), diffusion anisotropy effects can be fully extracted, characterized, and exploited, providing even more exquisite details on tissue microstructure. DTI is used to demonstrate subtle abnormalities in a variety of diseases (including stroke, schizophrenia), for finding the issues related to fibre connectivity and is currently becoming part of many routine clinical protocols. The image acquisition process of DT-MR Images is by the patient is positioned within an MRI scanner where it forms a strong magnetic field around the area to be imaged. The medical applications rely on detecting a radio frequency signal emitted by excited hydrogen atoms in the body using energy from an oscillating magnetic field applied at the appropriate resonant frequency. The orientation of the image is controlled by varying the main magnetic field using gradient coils. As these coils are rapidly switched on and off they create the characteristic repetitive noises of an MRI scan. The contrast between different tissues is determined by the rate at which excited atoms return to the equilibrium state. During the tissue movement to equilibrium state and the anisotropic movement of water molecules, generated DTMRI may contain unwanted intensity values. This unwanted intensity values are called as Noise. The presence of noise makes disease diagnosing tougher. Therefore we need to denoise the image. The existing denoising algorithms may provide a denoised image but it may not yield good quality . ie, sometimes the denoised image may got blurred and may loss the fine structure. So our proposed Iterative PCA based method aims to denoise the DT-MRI which will result in good quality images. In this paper we propose a technique to perform denoising which is able to remove the noise with better quality thereby making the disease diagnosing easier. The denoising technique exploits the structural similarity of the patches and uses an iterative principal component analysis for the denoising process. The method takes advantage of the fact that there is a high degree of redundancy in the content of images. The proposed Iterative PCA based denoising technique is composed of four steps. In the first step, the similar patches are extracted and grouped by using Structural Similarity Index Matrix (SSIM) 4 and there is one-toone correspondence between patches and groups (sparse denoising). The actual denoising is done in the second step ie, by finding the principal component of each group. In the third step, patch restoration is performed by using the principal component. After the third step a denoised image will be obtained, but the first iteration helps us to remove only the most significant error portion of the image. The output of the first iteration needs to be refined for a better quality image. The amount of noise present in the output of first iteration is estimated and use this noise variance along with the denoised output of the first iteration is fed as the input to the second iteration. Iteration need to be stopped in the second stage, otherwise it may cause the loss of fine structures.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا