دانلود رایگان ترجمه مقاله فیلترسازی ناهمسان غیرخطی داده های تصویر رزونانس مغناطیسی (نشریه IEEE 1992) (ترجمه رایگان – برنزی ⭐️)

فیلترسازی ناهمسان غیرخطی داده های MRI

Nonlinear Anisotropic Filtering of MRI Data

چکیده
1- مقدمه
2- روش: هموارسازی ناهمسان فضایی تکراری
الف-اصول ریاضی روش فیلترسازی ناهمسان غیرخطی
ب-فرضیه درباره ساختار سیگنال: مدل تصویر
ج-فرمولاسیون مجزای هموارسازی ناهمسان
د-فیلترسازی تک بعدی
م-فیلترسازی دوبعدی:
ن-همگرایی هموارسازی تکراری
ی-بسط های فیلترسازی بهینه داده های سه بعدی و چنداکویی MRI

چکیده
علی رغم بهبودهای معنی دار در کیفیت تصویر طی چندین سال گذشته، بهره برداری کامل داده های تصویر رزونانس مغناطیسی MRI اغلب با نسبت سیگنال به نویز پایین یا SNR یا نسبت کنتراست به نویز پایین یا CNR محدود می شود. در اجرای تکنیک های نوین MR ، معیارهای سرعت کسب و کیفیت تصویر معمولا بالاترین است. برای کاهش نویز طی کسب یا زمان میانگین گیری طی اندازه گیری های تکراری یا بزرگ سازی حجم وکسل ممکن است بکار گرفته شود. اما این روشها یا اساسا زمان کسب کل را افزایش می دهد یا یک حجم فضایی را در تنها فواصل غیردقیق اسکن می کند. برعکس روشهای کاهش نویز مبتنی بر کسب، ما یک پسا پروسه را براساس انتشار ناهمسان مطرح کرده ایم. بسط های این تکنیک جدید از MRI سه بعدی و چنداکویی با ترکیب ابعاد فضایی و طیفی بالاتر حمایت می کند. عملیات بر موانع اصلی روشهای فیلتر متداول از جمله زنندگی مرزهای شیء و سرکوبی جزئیات ساختاری ظریف غلبه می کند. ساده سازی الگوریتم فیلتر یک اجرای کارامد حتی روی ایستگاه های کاری کوچک را ممکن می کند.
ما کاهش نویز موثر وتشدید کردن مرزهای شی را با بکار بردن این تکنیک پردازش تصویر به داده های اکوی گردشی دوبعدی و سه بعدی و داده های MRی اکوی گرادیان نشان داده ایم. مزیت های احتمالی برای MRI ، تشخیص و انالیز کامپیوتری شده به تفصیل بحث می شود.

1- مقدمه
در تصویربرداری پزشکی اغلب با یک SNR نسبتا پایین با کنتراست خوب یا یک کنتراست پایین با SNR خوب سروکار داریم. خوشبختانه سیستم بصری انسان به شدت در تشخیص ساختارها حتی در حضور یک مقدار قابل ملاحظه ای از نویز موثر است. اما اگر SNR خیلی کوچک باشد یا کنتراست خیلی پایین باشد شناسایی ساختارهای اناتومیکی خیلی مشکل می شود چون تعیین مشخصات بافت خراب می شود. یک تعریف از کیفیت تصویر کلی شامل معیارهای فیزیکی و ادراکی است. وانگهی، به شدت وابسته به کارهای تشخیصی خاص می باشد. در برخی موارد یک رزولاسیون فضایی بالا و یک کنتراست بالا لازم است درصورتیکه در سایر موارد معیارهای ادراکی بیشتر می تواند مطلوب باشد.برای یک انالیز بصری از تصاویر پزشکی، وضوح جزئیات و قابلیت رویت شی مهم است درصورتیکه برای پردازش تصویر، یک SNR بالا لازم است چون بیشتر الگوریتم های قسمت بندی تصویر به نویز خیلی حساس است.
چندین طریقه برای بهبود SNR وجود دارد و انها می توانند به دستجات فرعی طبق الزامات زمانی ، معیارهای رزولاسیون، تکنیک های مبتنی بر سخت افزار در مقابل نرم افزار تقسیم بندی شوند.
0روشهایی که بر زمان کسب یا ابعاد پیکسل (وکسل) اثر می گذارند.
-میانگین گیری حوزه زمانی (میانگین گیری کسب های تکراری). مسئله:ناکارامدی
-اسکن گیری با وکسل های بزرگ. مسئله: از دست دادن رزولاسیون، که اغلب در جهت خارج از صفحه است.
0روشهایی بدون زمان و یا جریمه رزولاسیون
-پردازش سیگنال طی کسب (یعنی پهنای باند متغیر : پهنای باند باریک تر برای دومین اکوی کسب های اکوی افت شدید اکوی دوبل).
-بهبود سخت افزار کسب (افزایش سیگنال یا کاهش منبع نویز)
-پساپردازش داده های خام یا داده های تصویری (تکنیک های فیلتر). مسئله: نامشخص سازی، از دست رفتن رزولاسیون، تولید مصنوعات
هرچند پارامترهای کسب می تواند از نظر SNR و کنتراست بهینه سازی شود، روشهای کاهش نویز (برای مثال افزایش تعداد تحریک ها) معمولا منجر به افزایش معنی دار در زمان کسب کلی می شود. حین فراهم سازی دسترسی به اطلاعات اناتومیکی و عملکردی جدید مهم از طریق کسب با سرعت بالا، یا رزولاسیون فضایی بالا، تکنیک های تصویربرداری پیشرفته اغلب با کاهشی در SNR تصویر تاوان داده می شود.
تکنیک های فیلترسازی مزیت عدم اثر گذاری بر پروسه کسب را دارد. در فیلترسازی فضایی خطی، به محتوای یک پیکسل مقدار درخشش متوسط مجاورهای فوری اش داده می شود. میانگین گیری فضایی ساده اغلب به نام فیلترسازی با پاس پایین، دامنه نوسانات نویز را کاهش می دهد اما نیز جزئیات درخشانی مانند خطوط یا حاشیه ها را تنزل می دهد. فیلترسازی مربوط به مرزهای ناحیه یا ساختارهای کوچک نیست و تصاویر منتج به نظر کدر و پراکنده می اید. این اثر نامطلوب می تواند کاهش یابد یا با طراحی فیلترهای غیرخطی که متداولترین تکنیک فیلتره سازی میانه می باشد، دوری شود. حاشیه ها حفظ می شوند اما فیلترسازی منجر به از دست رفتن رزولاسیون با سرکوبی جزئیات ظریف می شود. رهیافت دیگر فیلترسازی سازشی است (برای تحقیق مفصل رفرانس 1 را ببینید)، که یک تبادلی را بین کارایی هموارسازی ، حفظ عدم پیوستار، و تولید مصنوعات متضمن است. هنگام ایجاد یک روش فیلترسازی برای داده های تصویری پزشکی، خرابی تصویر با کدرسازی یا با مصنوعات ناشی از یک شمای فیلترسازی قابل قبول نیست. الزامات ذیل باید به طور ایده ال موارد ذیل را جامه عمل بپوشاند:
الف) از دست رفتن اطلاعات را با حفظ مرزهای شی و ساختارهای مفصل به حداقل برساند
ب) به طور کارامدی نویز را در نواحی خواص فیزیکی همگن حذف کند و
ج) تعریف مورفولوژیکی را با تشدید عدم پیوستارها تقویت سازد.
پیشرفتهای اخیر براساس فیلترسازی انتشار ناهمسان بر موانع اصلی فیلترسازی فضایی مرسوم غلبه کرده و به طور معنی داری کیفیت تصویر را حین براورده سازی معیارهای اصلی گفته شده در فوق بهبود می دهد. بسط های خاص برای فیلترسازی داده های چندکانالی و سه بعدی این روش را به خصوص برای تقویت انواع مختلف داده های تصویر رزونانس مغناطیسی یا MR مناسب می سازد.
درمقاله حاضر، اصطلاح داده های حجم به طور مستقل از نوع کسب بکار خواهد رفت. منظور ما از داده های حجم، کسب پوشش دهنده حجمی با ابعاد وکسل ایزوتروپیک یا تقریبا ایزوتروپیک می باشد. چنین داده هایی می تواند به شکل یک کسب سه بعدی FT یا به شکل یک کسب 2 بعدی چندبرشی با برشهای نازک و بدون هیچ شکافی بین برش ها اندازه گیری شود.

Abstract

Despite significant improvements in image quality over the past several years, the full exploitation of magnetic resonance image (MRI) data is often limited by low signal-to-noise ratio (SNR) or contrast-to-noise ratio (CNR). In implementing new MR techniques, the criteria of acquisition speed and image quality are usually paramount. To decrease noise during the acquisition either time averaging over repeated measurements or enlarging voxel volume may be employed. However, these methods either substantially increase the overall acquisition time or scan a spatial volume in only coarse intervals. In contrast to acquisition-based noise reduction methods we propose a postprocess based on anisotropic diffusion. Extensions of this new technique support 3-D and multi-echo MRI, incorporating higher spatial and spectral dimensions. The procedure overcomes the major drawbacks of conventional filter methods, namely the blurring of object boundaries and the suppression of fine structural details. The simplicity of the filter algorithm enables an efficient implementation even on small workstations.

We demonstrate the efficient noise reduction and sharpening of object boundaries by applying this image processing technique to 2-D and 3-D spin echo and gradient echo MR data. The potential advantages for MRI, diagnosis and computerized analysis are discussed in detail.

1. Introduction

IN medical imaging we often face a relatively low SNR I with good contrast, or a low contrast with good SNR. Fortunately the human visual system is highly effective in recognizing structures even in the presence of a considerable amount of noise. But if the SNR is too small or the contrast too low it becomes very difficult to detect anatomical structures because tissue characterization fails. A definition of overall image quality includes physical and perceptual criteria. Furthermore, it largely depends on specific diagnostic tasks. In some cases a high spatial resolution and a high contrast are required, whereas in other cases more perceptual criteria may be favored. For a visual analysis of medical images, the clarity of details and the object visibility are important, whereas for image processing a high SNR is required because most of the image segmentation algorithms are very sensitive to noise.

There are several ways to improve SNR, and they can be divided into subcategories according to time requirements, resolution criteria, hardware- versus software-based techniques.

Methods affecting acquisition time or pixel (voxel) dimensions.

– Time domain averaging (averaging repeated acquisitions). Problem: inefficiency.

– Scanning with larger voxels. Problem: loss of resolution, mostly in the out-of-plane direction. Methods without time and/or resolution penalty.

– Signal processing during acquisition (i.e., variable bandwidth: narrower bandwidth for the second echo of double echo spin echo acquisitions).

– Improvement of acquisition hardware (increase signal or reduce source of noise).

– Postprocessing of raw data or image data (filter techniques). Problem: blurring, loss of resolution, generation of artifacts.

Although the acquisition parameters can be optimized regarding SNR and contrast, methods to reduce noise (e.g., increasing the number of excitations) usually result in a signiticant increase in the overall acquisition time. While providing access to important new anatomical and functional information through high-speed acquisition, or high spatial resolution, advanced imaging techniques are often penalized by a decrease in image SNR.

Filtering techniques have the advantage of not affecting the acquisition process. In linear spatial filtering, the content of a pixel is given the value of the average brightness of its immediate neighbors. Simple spatial averaging. often called “low-pass filtering,” does reduce the amplitude of noise fluctuations, but also degrades sharp details such as lines or edges. The filtering does not respect region boundaries or small structures, and the resulting images appear blurry and diffused. This undesirable effect can be reduced or avoided by the design of nonlinear filters, the most common technique being median filtering. Edges are retained. but the filtering results in a loss of resolution by suppressing fine details. Another approach is adaptive filtering (see (11 for a detailed survey), which entails a tradenff between smoothing efficiency, preservation of discontinuities, and the generation of artifacts. When developing a filtering method for medical image data, image degradation by blurring or by artifacts resulting from a filtering scheme is not acceptable. The following requirements should ideally be fulfilled:

a) minimize information loss by preserving object boundaries and detailed structures,

b) efficiently remove noise in regions of homogeneous physical properties, and

c) enhance morphological definition by sharpening discon tinuities.

Recent developments based on anisotropic diffusion filtering overcome the major drawbacks of conventional spatial filtering [3], and significantly improve image quality while satisfying the main criteria stated above. Special extensions for filtering multichannel and 3-D data make the method especially appropriate to enhance various types of magnetic resonance (MR) image data. In the present paper, the term volume data will be used independently of the acquisition type. With volume data we mean a volume-covering acquisition with isotropic or nearly isotropic voxel dimensions. Such data can be measured as a 3-D FT acquisition or as a 2-D multislice acquisition with thin slices and no gap between the slices..

فیلترسازی ناهمسان غیرخطی داده های MRI

Nonlinear Anisotropic Filtering of MRI Data