تحلیل و مقایسه تبدیلات موجک ها برای حذف نویز عکس MRI

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تحلیل و مقایسه تبدیلات موجک ها برای حذف نویز عکس MRI

عنوان لاتین

Analysis and Comparison of Wavelet Transforms For Denoising MRI Image

تصویربرداری پزشکی نقش مهمی در عمل بالینی مانند تشخیص، درمان و غیره و نیز یافته های مرتبط با تحقیقات دارد. تصاویر پزشکی معمولاً در حین گرفتن و انتقال تصویر به علت وجود انواع مختلف نویز ها، اشتباه دوربین، اختلال ناشی از جریان خون، آشفتگی اتمسفر آلوده شده و یا دچار انحراف و اعوجاج می شوند. بنابراین لازم است برای بهبود کیفیت تصویر، فرآیند حذف نویز عکس انجام شود. جستجو برای روش های موثر حذف نویز تصویر هنوز هم یک چالش موثر در تجزیه و تحلیل عملکرد و آمار است. در این مقاله، کارایی تکنیک های آستانه مبتنی بر موجک در حضور نویز خفیف برای خانواده موجک های مختلف یعنی هار، مورلت، سیملت، داوبچیس در حذف نویز تصویربرداری رزونانسی پزشکی از مغز مقایسه شده است. برآورد عملکرد و تجزیه و تحلیل با استفاده از SNR (نسبت سیگنال به نویز)، PSNR (نسبت سیگنال به نویز پیک) و MSE (خطای مجذور میانگین) انجام می شود. بر اساس ارزیابی عملکرد، به این نتیجه می رسیم که تبدیل موجک مؤثرتر و کار آمد تر است، زیرا دارای توانایی ضبط انرژی سیگنال در چندین مقدار تبدیل انرژی که معمولاً به عنوان ضریب موجک شناخته می شود، می باشد.

Medical imaging plays a dominant role in clinical practice like diagnosis, therapy, etc. and research related findings. Medical images are usually contaminated or distorted while acquiring and transmitting the image due to several types of noises, misfocus of camera, disturbance due to blood flow, atmospheric turbulence. So it becomes necessary to apply image denoising processing to improve the quality of image. The search for efficient image denoising methods is still a valid challenge at the crossing of functional analysis and statistics. This paper compares the efficiency of wavelet based thresholding techniques in the presence of speckle noise for various wavelet family i.e. Haar, Morlet, Symlet, Daubechies in denoising a medical imaging resonance of brain. Performance estimation and analysis is done using SNR (Signal to Noise Ratio), PSNR (Peak Signal to Noise Ratio) and MSE (Mean Square Error). Based on the performance evaluation, it is inferred that wavelet transform is more effective as it has an ability to capture the energy of a signal in a few energy transform values usually known as wavelet coefficients.