دوره 12، شماره 1 - ( زمستان 1401 )
جلد 12 شماره 1 صفحات 68-60 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
shahalinejad S, Bahador A, niapour A. Comparative Study of Noise Reduction in MRI Images Using Filtering and Wavelet Transform in Medical Image Processing. aumj 2022; 12 (1) :60-68
URL: http://aums.abzums.ac.ir/article-1-1624-fa.html
URL: http://aums.abzums.ac.ir/article-1-1624-fa.html
شاهعلینژاد سهند، بهادری عاطفه، نیاپور علی. بررسی مقایسه ای کاهش نویز در تصاویر MRI مغزی با استفاده از فیلترینگ و تبدیل ویولت در پردازش تصاویر پزشکی. نشریه علمی پژوهشی دانشگاه علوم پزشکی البرز. 1401; 12 (1) :60-68
سهند شاهعلینژاد*1 
، عاطفه بهادری2 ، علی نیاپور3
، عاطفه بهادری2 ، علی نیاپور3
1- دانشکده مهندسی برق و کامپیوتر، موسسه آموزش عالی ارومی، ارومیه، ایران
2- دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
3- آزمایشگاه تحقیقانی جنین شناسی و سلول های بنیادی، گروه علوم تشریحی، دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
2- دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
3- آزمایشگاه تحقیقانی جنین شناسی و سلول های بنیادی، گروه علوم تشریحی، دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
چکیده: (1339 مشاهده)
زمینه و هدف: کاهش نویز در تصاویر پزشکی حایز اهمیت می‌باشد. وجود اعوجاج‌های زیاد در تصاویر پزشکی سبب کاهش دقت در تشخیص بیماری یا ساختارهای مختلف می‌شود. تبدیل ویولت و فیلترینگ جزو پرکاربردترین روش‌ها برای کاهش نویز در تصاویر پزشکی هستند. هدف از این تحقیق، بررسی مقایسه ای کاهش نویز با استقاده از فیلترینگ (فیلترهای پایین گذر, میان گذر و بالا گذر)و همچنین تبدیل ویولت از روی تصاویرMRI می‌باشد.
روش کار: در این تحقیق، با استفاده از نرم افزار متلب داده‌های نویز دار MRI وارد محیط برنامه شدند و هریک از الگوریتم‌های پیشنهادی شامل فیلترینگ (فیلترهای پایین گذر، میان گذر و بالا گذر) و همچنین تبدیل ویولت بصورت مجزا برروی تصاویر پیاده سازی شدند و خروجی ایده آل با توجه به ماهیت نویز بدست آمد.
یافته‌ها: نتایج بدست آمده از روش پیشنهادی ویولت و فیلترینگ، با یکدیگر مقایسه و تحلیل شد. نسبت توان سیگنال به نویز در تصاویر (SNR) تمامی فیلترهای به کار رفته و تبدیل ویولت مقدار بالای 30 دسی بل را نمایش داد. تبدیل ویولت به ازای تصاویر انتخابی مقدار SNRبیشتری دارد و این اختلاف در برخی تصاویر بیش از 40 دسی بل هم می‌رسد. با توجه به تصاویر و مقادیر PSNR نسبی، از بین تمامی روش‌های مورد بررسی بهترین حالت نویز زدایی هنگامی است که از روش CWT استفاده شد. در این حالت PSNRبالا بوده و بیشترین شباهت تصویر نویززدایی شده به تصویر اصلی وجود دارد.
روش کار: در این تحقیق، با استفاده از نرم افزار متلب داده‌های نویز دار MRI وارد محیط برنامه شدند و هریک از الگوریتم‌های پیشنهادی شامل فیلترینگ (فیلترهای پایین گذر، میان گذر و بالا گذر) و همچنین تبدیل ویولت بصورت مجزا برروی تصاویر پیاده سازی شدند و خروجی ایده آل با توجه به ماهیت نویز بدست آمد.
یافته‌ها: نتایج بدست آمده از روش پیشنهادی ویولت و فیلترینگ، با یکدیگر مقایسه و تحلیل شد. نسبت توان سیگنال به نویز در تصاویر (SNR) تمامی فیلترهای به کار رفته و تبدیل ویولت مقدار بالای 30 دسی بل را نمایش داد. تبدیل ویولت به ازای تصاویر انتخابی مقدار SNRبیشتری دارد و این اختلاف در برخی تصاویر بیش از 40 دسی بل هم می‌رسد. با توجه به تصاویر و مقادیر PSNR نسبی، از بین تمامی روش‌های مورد بررسی بهترین حالت نویز زدایی هنگامی است که از روش CWT استفاده شد. در این حالت PSNRبالا بوده و بیشترین شباهت تصویر نویززدایی شده به تصویر اصلی وجود دارد.
فهرست منابع
1. M. Husain, A. W. A. Wahab, Y. I. B. Idris, A. T. S. Ho and K.-H. Jung, "Image steganography in spatial domain: A survey", spic journal. 46-66, Jul. 2018.Publisher Site Google Scholar [DOI:10.1016/j.image.2018.03.012]
2. X. Jin, S. Yin, N. Liu, X. Li, G. Zhao and S. Ge, "Color image encryption in non-RGB color spaces", Multimedia Tools Application, Jun. 2018. 15851-15873.Publisher Site | Google Scholar [DOI:10.1007/s11042-017-5159-y]
3. M. Suresh and I. Scathes Sam, "High Secure Video Steganography Based on Shuffling of Data on Least Significant DCT Coefficients", 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), 2018. 877-882 Publisher Site | Google Scholar [DOI:10.1109/ICCONS.2018.8662920]
4. S. Zolfaghari, S. B. M. Noor, M. R. Mehrjou, M. H. Marhaban and N. Mariun, "Broken Rotor Bar Fault Detection and Classification using Wavelet Packet Signature Analysis Based on Fourier Transform and Multi-Layer Perceptron Neural Network", Applied Science (MDPI), 2018,288-234. Publisher Site | Google Scholar [DOI:10.3390/app8010025]
5. Mohammed Shameen Hussain, Thi Phuong Loan Hoang and Christian Langen, "A design for Two dimensional Noncoastal Deslauriers-Dubuc Discrete Wavelet Transformation for Real Time Video Processing on FPGA",2018,435-443. Publisher Site | Google Scholar
6. Asif Nazir,Rehan Ashraf and Taya Handanii "Content based image retrieval system by using HSV color histogram, discrete wavelet transform and edge histogram descriptor",2018,213-220.Publisher Site | Google Scholar [DOI:10.1109/ICOMET.2018.8346343]
7. Heider, A., Kudu, A., Sarkar, A., &Paladin, K." A Memory-Efficient Image Compression Method Using DWT Applied to Histogram-Based Block Optimization". In Emerging Technologies in Data Mining and Information Security Springer, Singapore.2019,287-295. Publisher Site | Google Scholar [DOI:10.1007/978-981-13-1501-5_25]
8. Khan, S. Yairi, T. A review on the application of deep learning in system health management. Mech. Syst. Signal Process. 2018, 241-265. Publisher Site | Google Scholar [DOI:10.1016/j.ymssp.2017.11.024]
9. Liao, Y.X.; Zhang, L.; Li, W.H. regrouping particle swarm optimization based variable neural network for gearbox fault diagnosis. J. Intel. Fuzzy Syst. 2018,3671-3680. Publisher Site | Google Scholar [DOI:10.3233/JIFS-169542]
10. Zhao, R.; Yan, R.Q.; Chen, Z.H.; Mao, K.Z.; Wang, P.; Goo, R.X. Deep learning and its applications to machine health monitoring. Mech. Syst. Signal Process. 2019, 213-237. Publisher Site | Google Scholar [DOI:10.1016/j.ymssp.2018.05.050]
11. Candes EJ, Wakin MB. An introduction to compressive sampling. Signal Process Mag IEEE 2008, 21-30. [DOI:10.1109/MSP.2007.914731]
12. Lustig M, Donoho D, Pauly JM. Sparse MRI: the application of compressed sensing for rapid MR imaging. Magn Reson Med 2007; 58(6):1182-95. [DOI:10.1002/mrm.21391]
13. Nason GP, Silverman BW. The stationary wavelet transform and some statistical applications. In: Antoniadis A, Oppenheim G, editors. Wavelets and Statistics. New York: Springer; 1995,281-99. [DOI:10.1007/978-1-4612-2544-7_17]
14. Figueiredo MAT, Nowak RD. An EM algorithm for wavelet-based image restoration. IEEE Trans Image Process 2003, 906-16. [DOI:10.1109/TIP.2003.814255]
15. Guerquin-Kern M, Haberlin M, Pruessmann KP, Unser M. A fast wavelet-based reconstruction method for magnetic resonance imaging. IEEE Trans Med Imaging 2011, 1649-60. [DOI:10.1109/TMI.2011.2140121]
16. Selesnick IW, Baraniuk RG, Kingsbury NC. The dual-tree complex wavelet transform. IEEE Signal Process Mag 2005, 123-51. [DOI:10.1109/MSP.2005.1550194]
17. Do MN, Vetterli M. The contourlet transform: an efficient directional multiresolution image representation. IEEE Trans Image Process 2005, 2091-106. [DOI:10.1109/TIP.2005.859376]
18. Akhilesh Bijalwan, Aditya Goyal, Nidhi Sethi. Wavelet Transform Based Image Denoise Using Threshold Approaches International Journal of Engineering and Advanced Technology (IJEAT), 2012, 132-137.
19. Figueiredo MAT, Nowak RD. An EM algorithm for wavelet-based image restoration. IEEE Trans Image Process 2003, 906-16. [DOI:10.1109/TIP.2003.814255]
20. Farhadpour Farhad, Image noise reduction using the proposed derivative filter with fractional orders and genetic algorithm, 3rd International Conference on Electrical and Computer Engineering, 2015.
21. Khairandish Talshamkail, Alireza Mousavi, the referee, improvement of digital image filtering using residual number system, the first conference of new approaches in computer engineering and information technology.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
