دانلود رایگان ترجمه مقاله ارزیابی نویز MRI و حذف نویز با استفاده از PCA غیر موضعی (نشریه الزویر 2015)

این مقاله انگلیسی ISI در نشریه الزویر در 13 صفحه در سال 2015 منتشر شده و ترجمه آن 32 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:

برآورد نوفه MRI و نوفه زدایی MRI با بکارگیری PCA غیر موضعی

عنوان انگلیسی مقاله:

MRI noise estimation and denoising using non-local PCA

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار 2015
تعداد صفحات مقاله انگلیسی 13 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) تجزیه و تحلیل تصویر پزشکی – Medical Image Analysis
کلمات کلیدی MRI، PCA ، نوفه زدایی، پراکندگی و گستردگی، ابزار غیر موضعی
ارائه شده از دانشگاه موسسه کاربرد فناوری اطلاعات و ارتباطات پیشرفته (ITACA)، دانشگاه پلی تکنیک والنسیا، اسپانیا
رفرنس دارد 
کد محصول F1178
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  32 صفحه با فونت 14 B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه شده 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
1- مقدمه
2- مواد و روش های تحقیق
2.1 نوفه زدایی PCA غیر محلی
2-2 ناوردا چرخشی نوفه زدایی PCA غیر محلی
3-2 انطباق و سازگاری با نویز Rician
4-2 برآورد PCA نویز
1-4-2 برآورد نویز Rician
3- آزمایشات و نتایج
1-3 توصیف داده های آزمایشی
2-3 برآورد پارامتر
3-3 اعتبار یابی برآورد نویز
1-3-3 نویز مانا گاوسی
2-3-3 نویز متغیر فضایی گاوسی
3-3-3 برآورد نویز مانا Rician
4-3-3 برآورد نویز متغیر فضایی Rician
4-3 مقایسه روشها
1-4-3 مقایسه داده های حقیقی
4-بحث و استدلال

 

بخشی از ترجمه
 چکیده
این مقاله یکی از روشهای جدید نوفه زدایی MRI را طراحی و پیشنهاد میکند که از دو ویژگی نامتراکمی و خود تشابهی تصاویر MR استفاده میکند . روش پیشنهادی یک روش دو مرحله ای است که ابتدا تصویر نوفه ای را با بکارگیری استراتژی آستانه PCA غیر موضعی و توسط برآورد خودکار سطح نویز محلی و موضعی موجود در تصویر پالایش میکند و سپس از این تصاویر پالایش و فیلتر شده به عنوان تصویر راهنما در صافی ابزار چرخشی نامتغیر و ناوردا استفاده می کند. روش پیشنهادی اصولاٌ مقدار نوفه موضعی و محلی موجود در تصاویر را برآورد میکند که امکان استفاده خودکار از آن را در تصاویر دارای سطوح مختلف نویز فضایی فراهم می سازد و سوگیری های القا شده نویز موضعی Rician را اصلاح میکند. روش پیشنهادی با پیشرفته ترین و جدید ترین روش های مقایسه شده است که نتایج تطبیقی را در تمام نمونه های بررسی شده نشان می دهد. 
 
1- مقدمه
 تصویر برداری بازآوایی و طنین مغناطیسی ( MR) نقش بسیار مهمی بر روش های جدید پزشکی و پژوهشی دارد . البته ، این تصاویر ذاتاٌ نوفه ای هستند و از این رو به روشهای فیلترینگ یا صافی جهت بهبود و افزایش کیفیت داده ها نیاز می شوند. این پروسه نوفه زدایی معمولاٌ در بسیاری از روشهای تصویر برداری و تکالیف تحلیلی مثل ساخت تصاویر یا قطعه بندی به صورت یک مرحله پیش پردازش عمل میکند.
کتاب نامه های زیادی در مورد نوفه زدایی وجود دارد که اهمیت این مسئله را برای جامعه علمی توضیح می دهند. بررسی فراوان اکثر روشهای نوفه زدایی میتواند به روشهای طبقه بندی شوند که از زواید و افزونگی الگو اصلی داده ها و روشهای استفاده می کنند و خواص و ویژگی های پراکندگی و گستردگی آنها را به کار می گیرند.
صافی ابزار غیر موضعی ( NLM) در طبقه اول احتمالاٌ بارزترین روش است . این روش سطوح نویز و نوفه را با استفاده از و بکارگیری خود تشابهی الگوهای تصویری به وسیله میانگیری الگوهای مشابه تصویری کاهش می دهد. کوپی و همکاران ( 2008) و مانجون و همکاران ( 2008) جزء محققانی هستند که تحقیقات اولیه MRI را با استفاده از روش NLM انجام دادند. بیوگرافی مربوط به این روش نسبتاٌ گسترده است
از طرف دیگر ، روشهای پراکندگی و گستردگی با فرض نمایش داده های نوفه ای در فضا کمتر چند بعدی سعی در کاهش طبیعی نویز موجود در تصاویر را دارند. در این روشها ، چنین تصور و فرض می شود که اکثر سیگنال و علامت ها می تواند به طور پراکنده با استفاده از تعداد اندکی پایه که امکان صرفنظر از مولفه های نوفه ای را فراهم می سازد یا الگوهای نوفه ای را در جوار الگوهای بدون نویز مربوطه آنها قرار می دهد. تکنیک های چون تبدیل FFT یا DCT که در آنها از پایه های استانداردی چون تابع های کسینوسی یا سینوسی جهت نمایش تصاویر استفاده می شوند، نمونه ای از این تکنیک ها هستند. کاهش نوفه در این نمونه با حذف ضرایب نوفه ای در حوزه تبدیل با استفاده از تکنیک های نرم یا سخت آستانه ای حاصل می شوند. اخیراٌ ، تکنیک های که روشهای نوفه زدایی تصاویر را از پایه یاد می گیرند توجه زیادی را به خود جلب کرده اند. این تکنیک ها مجموعه ای از پایه های تصاویر را یاد می دهند که باید نوفه زدایی شوند یا مجموعه ای از پایه های تصاویر مشابه فاقد نویز را فرا می گیرند که یک فرهنگ لغت را به نمایش پراکنده قطعات تصویری به عنوان ترکیب خطی واحدهای فرهنگ لغت می سازنند. مزیت این فرهنگ های لغت بر فرهنگ های استاندارد مثل فرهنگ های استفاده شده در تبدیل های DCT و FFT انطباق بهتر آنها با تصاویر پردازش شده است که امکان نمایش پراکنده تر و گسترده تر و نیز تفکیک بهتر علامت / نویز را فراهم می سازد.
تحلیل مولفه اصلی ( PCA) و روشهای مربوطه نیز برای کاهش نویز تصاویر استفاده می شوند. علت قراری گیری این نوع تکنیک در طبقه دوم این است که این تکینک از این حقیقت سود می جوید که علامت اصلی می تواند در فضا متعامدی طراحی و انداخته شود که در آن اکثر واریانس علامت در حالی در مولفه های اندکی جمع می شود که نویز متراکم در تمام مولفه ها گسترش و پهن می شود. کاهش نویز با استفاده از PCA معمولاٌ نیازمند سه مرحله اصلی زیر است : ( 1) تجزیه مجموعه ای از علامت های منتخب در مولفه های اصلی آنها (2) کاهش مولفه های نوفه ای ، و ( 3) باز سازی مجدد سیگنال ها با وارونه سازی تجزیه PCA . ابتدا پژوهشگرانی چون مورسان و پارکس (2003) از این روش با اجرا پروسه تجزیه PCA در مجموعه محلی قطعات تصویری استفاده کردند . زاهانگو همکاران ( 2010) این روش را با گروه بندی قطعات مشابه قبل از تجزیه PCA اصلاح کردند و پروسه را به منظور دستیابی به کاهش بیشتر نویز تکرار کردند. PCA نیز به منظور محاسبه دقیق تشابهات قطعه در ساختار ابزار غیر محلی و موضعی استفاده شده اند.
نوفه زدایی PCA نیز در پروسه فیلترینگ و پالایش PCA استفاده شده است . PCA در مقاله مانجون و همکاران ( 2009) به منظور حذف نویز باقی مانده پس از کاربرد صافی نا پارامتری PCA به عنوان یک مرحله پیش پردازش استفاده شد . اخیراٌ ، صافی PCA ناپارامتری در تصاویر دو بعدی MR که در آن شباهت های قطعه با استفاده از ضرایب محدود رتبه ای PCA طراحی شده است . همچنین ، اخیراٌ ، روشهای PCA برای نوفه زدایی تصویر شیوع و نشر وزن دار طراحی شده اند.
ما در این مقاله روش جدید نوفه زدایی را مبتنی بر کاربرد تجزیه PCA بر مجموعه ای از قطعات مشابه با استفاده از طرح پنجره کشویی ارایه می دهیم . تصویر پالایش و فیلتر شده منتجه به منظور برآورد درست و صحیح شباهت های صوتی در استراتژی ناوردا چرخشی NLM (PRI-NLM) به شیوه انجام شده در مقاله مانجون و همکاران ( 2012) به عنوان تصویر راهنما استفاده می شود. افزایش کیفیت این تصویر راهنما بدست آمده از روش پیشنهادی حذف نویز برپایه روش PCA کاربرد صافی PRI-NLM را افزایش معناداری می دهد و در نتیجه عملکرد کلی نوفه زدایی را افزایش می دهد. باید خاطر نشان سازیم که صافی مشترک PRI-NLM مشابه روش های پیشنهادی سالمون و همکاران ( 2012) است به طوری که در این روش صافی Yaroslavsky با استفاده از اطلاعات تصویر پیش پالایش و فیلتر شده به منظور افزایش عملکرد نوفه زدایی یا نیز صافی CANDLE( کوپ و همکاران 2012) که از تصویر متوسط تصفیه و پالایش شده استفاده میکند ،اجرا می شود. نگرش و روش تحقیق ما نیز روش زاهانگ و همکاران ( 2010) را به منظور پالایش و تصفیه تصاویر طبیعی به نویز مانا گاوسی ارتباط می دهد اما در نمونه ما انتخاب قطعه به منظور دستیابی به دسته بندی دقیق تر قطعه در شرایط بسیار نوفه ای روی تصویر از پیش فیلتر شده انجام می شود. بعلاوه، ما در این مقاله به مسئله نویز مانا Rician می پردازیم و مرحله آستانه سازی به وسیله برآورد خودکار سطح نویز محلی با بکار گیری ارزش های ویژه تجزیه PCA انجام می شود. سه مسئله اصلی در این مقاله عبارتند از : ( 1) صافی جدید تشریک مساعی با استفاده از استراتژی PCA به منظور محاسبه تصویر راهنما بهبود یافته و اصلا ح شده ( 2) روش برآورد متغیر فضایی نوفه کاملاٌ در خط لوله نوفه زدایی شده یکپارچه می شود و ( 3) روش جدید اصلاح اریب Rician

 

بخشی از مقاله انگلیسی

Abstract

This paper proposes a novel method for MRI denoising that exploits both the sparseness and self-similarity properties of the MR images. The proposed method is a two-stage approach that first filters the noisy image using a non local PCA thresholding strategy by automatically estimating the local noise level present in the image and second uses this filtered image as a guide image within a rotationally invariant non-local means filter. The proposed method internally estimates the amount of local noise presents in the images that enables applying it automatically to images with spatially varying noise levels and also corrects the Rician noise induced bias locally. The proposed approach has been compared with related state-of-the-art methods showing competitive results in all the studied cases.

1 Introduction

Magnetic resonance (MR) imaging has very important role on current medical and research procedures. However, these images are inherently noisy and thus filtering methods are required to improve the data quality. This denoising process is usually performed as a preprocessing step in many image processing and analysis tasks such as registration or segmentation. There is a large amount of bibliography related to the denoising topic that highlights the relevance of this issue for the scientific community. A large review of MRI denoising methods can be found at Mohan et al. (2014). Currently, most denoising methods can be classified on those that use the intrinsic pattern redundancy of the data and those exploiting their sparseness properties. On the first class, the well known non-local means (NLM) filter (Buades et al., 2005) is maybe the most representative method. This method reduces the noise by exploiting the self-similarity of the image patterns by averaging similar image patterns. In MRI, early works using the NLM method are from Coupé et al. (2008) and Manjón et al. (2008). The bibliography related to this method is quite extensive (Tristán-Vega et al., 2012; Coupé et al., 2012; Manjón et al., 2009, 2010, 2012; Wiest-Daesslé et al., 2008; He and Greenshields, 2009; Rajan et al., 2012, 2014). On the other hand, sparseness-based methods try to reduce the noise naturally present in the images by assuming that the noisy data can be represented in a lower dimensionality space. In such methods, it is considered that most of the signal can be sparsely represented using few bases that enables to discard the noise related components or simply approximate noisy patterns by their corresponding noise free patterns. An example of these techniques are for instance those based on FFT or DCT transforms where standard bases such as sin or cosine functions are used to represent the images (Guleryuz, 2003; Yaroslavsky et al., 2000). In this case, noise reduction is achieved by removing noise related coefficients in a transform domain using either soft or hard thresholding techniques. More recently, techniques that learn the bases from the images to be denoised have received much attention (Elad and Aharon, 2006; Mairal et al., 2008; Protter and Elad, 2009). These techniques learn a set of bases from the images to be denoised or from a set of similar noise free images to create a dictionary to sparsely represent image patches as a linear combination of dictionary entries (Aharon et al., 2006). The advantage of these dictionaries over standard ones such those used on DCT or FFT transforms is the fact they are better adapted to the images to be processed that enables a sparser representation and therefore a better signal/noise separation. In MRI, sparse theory has been used in many recent methods (Bao et al., 2008, 2013; Patel et al., 2011). Principal Component Analysis (PCA) and related approaches have been also used for noise reduction in images (Muresan and Parks, 2003; Bydder et al., 2003; Deledalle et al., 2011). This type of technique falls in the second category since it takes benefit from the fact that original signal can be projected into an orthogonal space where most of the variance of the signal is accumulated in few components while the noise being not sparse is uniformly spread over all the components. Noise reduction using PCA normally requires 3 main steps: (1) decomposing a set of selected signals into their principal components, (2) shrinking noise related components, and finally (3) reconstructing back the signals by inverting the PCA decomposition. This approach was first used by Muresan and Parks (2003) by applying PCA decomposition over a local set of image patches. Zhang et al. (2010) improved this approach by grouping similar patches before PCA decomposition and iterated the process to obtain a higher noise reduction. PCA has been also used to robustly compute patch similarities within a non-local means framework (Van de Ville and Kocher, 2010; Zhang et al., 2013, 2014). PCA based denoising has been also used for MRI filtering. In Manjón et al. (2009) PCA was used as a postprocessing step to remove remaining noise after the application of a multicomponent non-local means filter for multimodal MRI. Recently, a nonparametric PCA based filter was proposed for 2D MR images where patch similarities are estimated using rank limited PCA coefficients (Kim et al., 2011). Also recently, PCA based approaches have been proposed for diffusion weighted image (DWI) denoising (Bao et al., 2013; Fan Lam et al., 2013; Manjón et al., 2013). In this paper, we present a novel denoising approach based on the application of PCA decomposition over a set of similar patches using a sliding window scheme. The resulting filtered image is used as a guide image to accurately estimate the voxel similarities within a rotationally invariant NLM (PRI-NLM) strategy as done in Manjón et al. (2012). The increased quality of this guide image resulting from the proposed PCA-based noise removal method significantly improves the application of the PRI-NLM filter boosting the overall denoising performance. We must remark that our guided PRI-NLM filter shares some similarities with methods like the one proposed by Salmon et al. (2012) where a Yaroslavsky filter is applied using information from a pre-filtered image to improve denoising performance or also CANDLE filter (Coupé et al., 2012) which uses a median filtered image. Our approach is also related the method proposed by Zhang et al. (2010) to filter natural images with stationary Gaussian noise but in our case our patch selection is performed on a pre-filtered image to obtain a more robust patch groping on very noisy conditions. Furthermore, we deal with nonstationary Rician noise and the thresholding step is performed by automatically estimating the local noise level from the eigenvalues of the PCA decomposition. The three main contributions in this paper are: (1) a new collaborative filter using a PCA based strategy to compute a improved guide image, (2) an automatic spatially varying noise estimation method fully integrated in the denoising pipeline and (3) a new Rician bias correction method.

 

نوشته های مشابه

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا