导读:本文包含了医学图像去噪论文开题报告文献综述及选题提纲参考文献，主要关键词:超声图像,滤波,BP神经网络,斑点噪声抑制
医学图像去噪论文文献综述
净亮,邵党国,相艳,马磊,杨朝强[1]（2019）在《BP神经网络在医学超声图像去噪中的应用研究》一文中研究指出超声图像作为一项独立出来的影响检查技术,以其便宜、简便、实时和对人体无害等优点服务于临床医学。然而在实际应用中,由于成像设备和成像原理等因素,导致所成图像中不可避免的出现了斑点噪声和失真的问题。这样不仅给医生诊断疾病增加了难度,给图像的后期处理也带来了不便。针对图像中存在的斑点噪声,本文利用BP神经网络强大的非线性映射能力,研究了利用BP神经网络对医学超声图像的降噪方法。首先根据实际需求构建出合适的神经网络模型,然后选取若干超声图像作为训练数据进行训练,再随机选取测试数据集对训练好的神经网络进行测试。通过两幅超图像的实验结果表明,利用BP神经网络模型可以有效地降低超声图像中的斑点噪声,并且能够较好地保留图像的边缘特征,是一种有效的医学超声图像降噪方法。(本文来源于《数据通信》期刊2019年05期）
张光华,潘婧,邢昌元[2]（2019）在《基于BM3D算法的医学图像去噪与增强方法研究》一文中研究指出本文提出一种基于BM3D算法的医学图像去噪与增强方法研究,为研究信号有关去除噪声和图像增强提供了全新的思路。(本文来源于《电脑知识与技术》期刊2019年18期）
刘翔,石振刚,臧晶[3]（2019）在《基于非局部均值滤波的医学CT图像去噪算法》一文中研究指出提出一种基于梯度结构相似性的非局部均值去噪算法,算法利用梯度结构相似性改进传统非局部均值去噪算法的小块权值,通过欧式距离与梯度结构相似性参数结合更好地去除噪声,同时采用改进的双核函数代替传统指数函数计算权值,通过在肝脏和肺部图像上实验,对比传统非局部均值去噪算法和改进非局部均值去噪算法,证明本文算法去噪效果更好,同时还保持了边缘结构。(本文来源于《沈阳理工大学学报》期刊2019年03期）
SORI,WORKU,JIFARA[4]（2019）在《基于卷积神经网络的医学图像去噪和肺癌检测的研究》一文中研究指出医学影像是当今临床医学中极其重要的工具。近年来,随着各种成像系统的发展,极大地提升了医学图像的适用性和重要性,并且产生了大量的医学图像信息。尽管产生医学图像的成像系统已经有了很大的改进,但所生成的图像无一不存在着噪声。噪声覆盖遮掩、并降低了图像中某些特征的可见性,从而降低了图像质量并影响后续的应用。因此,图像去噪算法可以提高受到噪声干扰的图像的质量。另一方面,由于在后续医学图像研究中的重要性,医学图像的目标检测方法算法受到了越来越多的关注。医学图像的特征在不同病人之间是不一致的。例如,每个患者的肿瘤组织的大小、形状和位置都不相同,甚至在单个患者的同一张图像中的两个肿瘤也是如此。类似地,它们的相关性也在变化,医学图像中的检测不仅依赖于局部特征,并且依赖于整张图片的和全局特性。由于这些不同,医学图像的目标检测是一个具有挑战性的问题,有一些目标往往会被医生忽略掉。因此,除医学图像的去噪任务外,医学图像的目标检测算法是另一个值得研究的领域。本工作的重点是医学图像的去噪和检测任务。去噪是医学图像诊断的第一步,也是至关重要的一步,而检测对于后续的过程(如分割、配准和诊断)至关重要。本文第一部分介绍了两种利用深度卷积神经网络(CNN)进行医学图像去噪的方法。对于底层视觉任务,网络的深度是非常关键的。但是,随着网络深度的增加,存在梯度消失的问题,这影响了网络的性能。为了解决这一问题,我们提出的第一种去噪技术是基于残差学习的去噪卷积神经网络(DCBN-Netr)。我们同时考虑网络深度、学习算法和归一化方法,设计了一种前馈去噪CNN。相应地,我们采用残差学习方法,使用批量归一化作为正则化方法对医学图像进行去噪。更具体地说,与大多数基于CNN的直接学习潜在图像的去噪方法不同,残差学习不学习潜在的清晰图像而是学习图像噪声,然后无噪声的图像使用含噪声图像减去估计的噪声来得到。在深度网络中采用残差学习和批量归一化技术,既加快了训练过程,也提高升了去噪的性能。实验结果表明,该模型将重建图像的平均质量提高了0.1d B至0.9d B。我们提出的第二种技术通过在CNN中间层引入特征图平滑约束,创新地提出了一种带有特征图平滑约束的去噪网络(FMSCD-Net)。首先,我们分析了清晰医学图像的CNN中间层feature map的统计特性,验证了中间层feature map具有平滑特性(如梯度特征明显,以零值为主)。由于噪声的存在,在医学图像的特征图中,这些平滑特性遭到了破坏,在基于CNN的去噪过程中,我们发现去噪后的图像质量有所退化。为了保持退化图像的网络特征图的平滑特性,我们引入了一种新的平滑约束。给定一个feature map,其中的每个值的平滑性属性都通过其邻域像素的加权求和来保持。这些权值根据两个连续的感受野的相似性计算得到。其次,利用这种平滑约束,我们设计了一种直接逼近潜在清晰图像的端到端网络FMSCD。这些受约束的特征图有助于训练更深的网络结构,并提高重建图像的质量。最后,我们将残差学习和批量归一化方法集成到FMSCD中,进一步提高了模型的性能。实验结果表明,该方法将重建图像的平均质量提高了0.01～1.1d B。论文的第二部分介绍了两种基于多路径卷积神经网络的医学图像检测方法。两种模型的目标都是解决基于肺部CT图像的肺癌的检测问题。肺癌是癌症相关死亡的主要原因。与其他癌症一样,早期筛查是肺癌诊断和治疗的重要环节。在CT图像中的存在的肺结节并不一定为癌症,结节的形态、大小和上下文信息都与癌症有着复杂的关系,因此肺癌的筛查需要仔细分析每一个可疑结节,并整合所有结节的信息。为了解决这个问题,在第一个模型中,我们提出了一种用于肺癌检测的多路径卷积神经网络(MP-CNN)。首先在预处理阶段,我们改进了U-Net来生成可疑结节,生成的结节成为第二阶段的输入数据。该第二阶段中的模型是一种多路径CNN,其同时利用局部特征和全局特征用于检测肺癌。为此,模型使用了叁条路径,每条路径使用不同的感受野大小,这有助于对长距离的依赖关系进行建模。然后,为了进一步优化我们的模型性能,我们将这叁条路径产生的特征图进行合并。最后,我们还引入了一个再训练系统来能够解决与图像标签不平衡的问题。最终该模型检测精度达到87.8%。第二种肺癌模型是采用高效的特征融合策略设计的“先去噪”双路径卷积神经网络(DFD-Net)。首先,利用基于残差学习的去噪网络(DCBN-Net)对CT肺扫描图像进行去噪处理。该去噪网络由卷积层和批处理归一化层组成,用于学习残差而不是潜在的原始图像。之后将去噪后的结果作为输入,采用双路径卷积神经网络完成来处理检测任务。这两条具有不同大小感受野的路径分别用于对局部特性和全局特性建模。第叁,为了进一步改善模型性能,不同于直接将来自不同CNN层的两组特征拼接在一起的传统特征拼接方法,我们引入相关性判别分析方法来拼接更具代表性的特征。我们发现这类模型能够出色地降低图像中的噪声,平衡感受野的大小,并且提供更具代表性的特征,使我们的模型更适应结节形状和大小的变化。实验结果表明,该模型检测精度达到88.3%。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
常秋寒,高丙坤[5]（2019）在《一种基于2D-VMD的医学图像去噪算法》一文中研究指出为了更好地去除掺杂在图像信号中的噪声,提出了一种基于2D-VMD的图像去噪算法。首先对含有噪声信号的图像进行2D-VMD分解。然后利用信噪比与均方误差值将分解后的各IMF分量进行计算筛选,确定噪声项。最后将噪声项去除后,将有效IMF分量进行重构,即完成图像去噪。最后,通过计算去噪前后图像的信噪比和均方误差来验证该方法的有效性。文中将这种算法应用于医学图像处理的信号去噪中,实验结果表明,该算法能很好的将图像中的噪声项去除以达到去噪效果,最大限度上保留了原始信号中的有效成分,并提高图像的信噪比与均方误差值。(本文来源于《自动化技术与应用》期刊2019年02期）
王绍波,梁振[6]（2019）在《基于幂次变换的自适应超声医学图像去噪算法》一文中研究指出目的探求一种有效地去除噪声又能很好地保留超声医学图像高频细节信息的去噪算法。方法提出一种基于幂次变换的自适应超声医学图像去噪算法,该算法主要是对大于阈值的小波系数进行幂次变换,使处理后的小波系数尽可能地接近原始小波系数,并能很好地保留小波系数的连续性。结果实验结果表明,噪声较小时,该算法方差较小,并且视觉效果优于软阈值算法。结论该算法有效地实现了对超声医学图像斑点噪声的自适应抑制,在噪声较小时,能很好地去除噪声,并保留高频细节信息。(本文来源于《中国医疗设备》期刊2019年02期）
周俊[7]（2019）在《基于离散不可分离的剪切波的医学CT图像去噪算法》一文中研究指出医学是人类发展史上最备受重视的学科之一,CT成像对医学诊断有很大的帮助。然而采集人体内部数据时难免会产生噪声,这将会影响医师对病情的诊断,因此CT去噪的研究具有重大意义。研究表明,医学CT图像去噪的实质是通过含噪图像来估计人体组织器官的无噪图像从而获到真实图像的最优估计,因此CT图像去噪对诊断准确性来说具有重大的实际意义。本文通过分析CT成像原理和统计变换域中噪声的分布特性,提出了一种基于离散的不可分离的剪切波变换(Discrete Non-separable Shearlet Transform,DNST)的医学CT的去噪算法。该算法比传统小波算法在频域中有更多的方向性,可以很好的观察到图像处理后的细节信息。医学CT图像经过DNST变换被多尺度多方向分解为高频部分和低频部分,统计分解后部分的剪切波系数分布特征建立最优分布模型;对传统阈值收缩算法进行改进,该算法能够结合每个高频子带系数的差异,生成每个子带不同的最优的阈值;结合低频部分的特性,提出了一种混合低频滤波器;通过逆DNST变换将经过算法优化后的高频子带系数和低频子带系数重构得到去噪后的医学CT图像。通过采用多组实验进行对比,其中有合成仿真图对比实验和临床CT图实验,由实验数据客观分析可知,本文中所提算法具有更好的去噪保边效果,在医学诊断系统中有良好的应用。本文的内容结构和创新点如下:(1)通过分析噪声在高频子带中的特征和其统计特性,对阈值函数进行了改进和优化,使其能够计算每个高频子带系数的最优阈值;(2)传统的剪切波变换克服了小波变换仅水平和竖直方向的不足和各向同性的缺点,并且在此基础上,本文提出了离散不可分离剪切波变换。该算法比传统剪切波变换具有更好的框架界,并且通过扇形滤波器,改善了频域中每个子带方向性;(3)根据软硬阈值算法的优劣势,结合图像特征提出了最优线性插值阈值算法;(4)本文提出了一种混合低频滤波器,它结合引导滤波器、双边滤波器和旋转不变双边非局部均值滤波器,利用迭代性结合叁种算法的优势,保证了去噪效果和细节保留的平衡;(5)本文在实验部分通过对比实验和临床医学图像实验,对实验结果数据结合各种评价指进行主观评价和客观分析。(本文来源于《浙江工业大学》期刊2019-01-01）
艾玲梅,任阳红[8]（2018）在《基于双域滤波与引导滤波的快速医学MR图像去噪》一文中研究指出针对医学磁共振(Magnetic Resonance,MR)图像中存在Rician噪声较大以及双域滤波算法对Rician噪声处理不彻底、运行时间较长的缺点,提出一种双域滤波与引导滤波相结合的快速医学MR图像去噪算法。该算法将引导滤波边缘保持后的图像作为双域滤波算法的原引导图像,减少双域滤波算法的迭代次数,缩短算法运行时间;然后通过改进算法权重,结合原始权重系数和指数核函数,构造新的权重系数,对噪声进行有效处理。实验结果表明,本文算法能有效去除医学MR图像噪声,保护图像细节,相比优秀的医学MR图像去噪算法,具有更高的峰值信噪比和结构相似度;且相比经典双域滤波算法,改进后的算法能将运行时间减少1/3,相比非局部均值算法,可减少1/2。(本文来源于《光电子·激光》期刊2018年07期）
崔金鸽[9]（2018）在《基于小波阈值及非线性滤波的医学图像去噪算法研究》一文中研究指出医学图像去噪技术是医学图像处理与分析的基础,其目的是将图像中噪声剔除,最大程度还原图像原始信息,为临床医学诊断和病理学研究提供参考依据。然而由于不同的成像机理、设备和仪器的精度误差、操作不当等实际因素的影响,医学图像在收集过程中极易受噪声的干扰,随着图像分辨率的提高,噪声会被放大,从而降低了图像的质量,一些组织边界甚至变得模糊,细微结构难以辨认,因此去噪对于医学图像处理至关重要。根据医学图像中含有的噪声类型和受污染程度,本文提出了基于小波阈值及非线性滤波技术的去噪算法,具体从叁个部分展开讲述,从而更有针对性地进行降噪处理。(1)针对含有单一高斯噪声的X-ray,CT及MRI,选用具有良好频域特性的改进小波阈值去噪算法,将小波分解后的小波系数进行高频方向阈值量化,保留低频方向系数,最后小波重构,实现高斯噪声的去除。仿真结果表明本文提出方法可以有效的去除高斯噪声,同时更好地保留图像边缘信息。(2)针对含有高斯噪声和脉冲噪声的混合噪声图像,提出了基于DT-CWT和自适应双边滤波去噪算法,具备6个分解方向的双树复小波更具有分解稳定性,分解后高频系数经过阈值量化,低频部分系数经过双边滤波进行滤除,再经双边滤波进一步滤除,重构后就可实现去噪。实验结果表明,该方法对于混合噪声具有较好的去除效果,尤其是噪声污染轻的情况。(3)为更好解决医学图像中的重噪声问题,本文提出了一种基于DWT和修正的中值滤波去噪算法。首先,通过小波分解为4个子带(LL,HL,LH,HH),其中LL为低频,LH,HL,HH分别为水平,垂直和对角线高频子带;然后,利用改进的小波阈值对高频系数进行处理,保留低频系数,对小波阈值处理后的3个高频子带进行修正中值滤波处理,通过阈值分割实现混合噪声的滤除,最后通过小波重构得到去噪后的图像。这种方法的优点是结合中值滤波和小波的优点,利用耦合系数的处理,使得去噪效果更好,避免了以往两种方法的简单组合。总之,医学图像的去噪处理过程,既要有效去除噪声,又要很好的保留完整地边界和细节信息。这些都为后期高级处理提供可靠的保障,文中以B超胎盘图像为例,展示了噪声对计算机视觉识别精确性的干扰,具体包括特征抓取和感兴趣区域ROI分割不到位等现象,尤其是图像边缘轮廓信息的识别。(本文来源于《吉首大学》期刊2018-06-04）
刘帆[10]（2018）在《分数阶微分算法在医学超声弹性图像去噪中的应用研究》一文中研究指出医学超声成像因具有实时性、安全性及价格低廉等特点,成为临床诊断中使用最为广泛的辅助工具之一。然而,肿瘤疾病的出现正在不断危害我们的健康,临床数据显示:早期癌症多数可治愈。因此,早期发现并正确鉴别肿瘤良恶性是减少癌症死亡率的关键。传统B模式超声成像受斑点噪声影响大而无法检测出病变组织,医学超声弹性成像技术的提出正好填补了其他成像技术的不足。它是根据不同生物组织在受到同等压力下所产生的应变程度不同而成像的,在肿瘤检测中具有重要意义。然而,超声弹性成像技术并没有摆脱超声成像系统的固有特性,使得大量噪声遍布于图像中,不仅降低图像对比度,而且对于后期临床医生的诊断起着极大的干扰作用。因此,对超声弹性图像进行噪声平滑成为我们亟待解决的重要研究课题。本文从医学超声弹性成像原理出发,介绍了产生伪影噪声的原因以及衡量医学超声弹性图像去噪质量的评价指标,然后分析了两种经典的超声伪影去噪算法。目前,对医学超声弹性图像去噪的研究并不常见,综合分析可分为两大类:复合法和快速形成的图像滤波方法。基于复合技术的去噪算法通常分为空间域和频率域,是通过对多个图像进行加权复合以达到抑制伪影噪声的功效,该算法对噪声平滑效果非常明显。但是对于受噪声影响较大的特征区域边缘部分并没有起到一定的保护作用,反而将其模糊掉了。为了缓解这一不足,本文提出了一种基于分数阶微分的医学超声弹性图像去噪算法。该算法在传统各向异性扩散的基础上,融入分数阶微分理论,并通过微分掩模算子实现其数值运算。本文对两种不同窗口大小的微分掩模算子进行了改进,并获得了扩散阈值k与微分阶数v之间的关系,使得该算法可以在抑制噪声的同时保留甚至增强边缘纹理细节信息。为了验证本文算法的有效性,本文对双边滤波算法(Bilateral Filter,BF)、传统各向异性扩散算法(Anisotropic Diffusion,通常称为Perona-Malik模型,即P-M)、及本文算法进行了性能比较,实验结果显示:无论是噪声平滑,还是边缘保留,本文所提算法均占有明显优势,且本文算法的运算时间相对BF(Bilateral Filter)算法明显降低。最后本文还对所提出的两种不同窗口大小的分数阶微分算法进行了比较,得出结论:当扩散阈值k小于10时,5×5微分掩模窗口的分数阶微分算法在噪声抑制方面相对效果更好。人体体模超声弹性图像和数字仿真超声弹性图像的实验结果表明:基于分数阶微分的各向异性扩散算法(Fractional-order Ansotropic Diffusion,FAD)能够有效保留特征区域的边缘纹理信息,且去噪后图像弹性信噪比及对比度噪声比得到明显提高,运算时间复杂度大大降低。(本文来源于《昆明理工大学》期刊2018-05-01）
医学图像去噪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文提出一种基于BM3D算法的医学图像去噪与增强方法研究,为研究信号有关去除噪声和图像增强提供了全新的思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
医学图像去噪论文参考文献
[1].净亮,邵党国,相艳,马磊,杨朝强.BP神经网络在医学超声图像去噪中的应用研究[J].数据通信.2019
[2].张光华,潘婧,邢昌元.基于BM3D算法的医学图像去噪与增强方法研究[J].电脑知识与技术.2019
[3].刘翔,石振刚,臧晶.基于非局部均值滤波的医学CT图像去噪算法[J].沈阳理工大学学报.2019
[4].SORI,WORKU,JIFARA.基于卷积神经网络的医学图像去噪和肺癌检测的研究[D].哈尔滨工业大学.2019
[5].常秋寒,高丙坤.一种基于2D-VMD的医学图像去噪算法[J].自动化技术与应用.2019
[6].王绍波,梁振.基于幂次变换的自适应超声医学图像去噪算法[J].中国医疗设备.2019
[7].周俊.基于离散不可分离的剪切波的医学CT图像去噪算法[D].浙江工业大学.2019
[8].艾玲梅,任阳红.基于双域滤波与引导滤波的快速医学MR图像去噪[J].光电子·激光.2018
[9].崔金鸽.基于小波阈值及非线性滤波的医学图像去噪算法研究[D].吉首大学.2018
[10].刘帆.分数阶微分算法在医学超声弹性图像去噪中的应用研究[D].昆明理工大学.2018