Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro

Apesar do grande sucesso dos filtros de difusao anisotropica na reducao de ruidos de imagens medicas, uma limitacao dessa abordagem iterativa e a determinacao automatica do numero correto de iteracoes do algoritmo,  visto que um numero grande de iteracoes pode causar um borramento excessivo das bordas entre as estruturas anatomicas, enquanto um numero  pequeno pode nao ser suficiente para remover completamente o ruido da imagem. Portanto, este trabalho propoe um modelo estatistico para  a determinacao automatica do numero otimo de iteracoes do filtro de  difusao anisotropica aplicado a reducao de ruido de imagens medicas.  O modelo e determinado "off-line" por meio da maximizacao do  indice de similaridade estrutural, o qual e usado neste trabalho como  uma funcao objetivo para avaliar quantitativamente a qualidade das  imagens resultantes apos cada iteracao do filtro. Apos a determinacao  dos parâmetros do modelo, o numero otimo de iteracoes do algoritmo  necessario para remover o ruido da imagem e, ao mesmo tempo preservar as bordas entre as estruturas anatomicas, e facilmente obtido. Resultados aplicados a imagens 3D de ressonância magnetica do cerebro sao apresentados  para ilustrar a eficacia do metodo proposto.

[1]  N. Otsu A threshold selection method from gray level histograms , 1979 .

[2]  Guido Gerig,et al.  Nonlinear anisotropic filtering of MRI data , 1992, IEEE Trans. Medical Imaging.

[3]  Guillermo Sapiro,et al.  Edges as Outliers: Anisotropic Smoothing Using Local Image Statistics , 1999, Scale-Space.

[4]  Robert D. Nowak,et al.  Wavelet-based Rician noise removal for magnetic resonance imaging , 1999, IEEE Trans. Image Process..

[5]  Stephen R. Aylward,et al.  Continuous Gaussian Mixture Modeling , 1997, IPMI.

[6]  Guillermo Sapiro,et al.  Robust anisotropic diffusion , 1998, IEEE Trans. Image Process..

[7]  Arvid Lundervold,et al.  Noise removal using fourth-order partial differential equation with applications to medical magnetic resonance images in space and time , 2003, IEEE Trans. Image Process..

[8]  Guoliang Fan,et al.  Image denoising using a local contextual hidden Markov model in the wavelet domain , 2001, IEEE Signal Processing Letters.

[9]  D. Ortendahl,et al.  Measuring signal-to-noise ratios in MR imaging. , 1989, Radiology.

[10]  Ricardo José Ferrari,et al.  Digital Radiographic Image Denoising Via Wavelet-Based Hidden Markov Model Estimation , 2004, Journal of Digital Imaging.

[11]  Elsa D. Angelini,et al.  Wavelets in Medical Image Processing: Denoising, Segmentation, and Registration , 2005 .

[12]  Ruola Ning,et al.  Image denoising based on wavelets and multifractals for singularity detection , 2005, IEEE Transactions on Image Processing.

[13]  C. Barcelos,et al.  Edge detection and noise removal by use of a partial differential equation with automatic selection of parameters , 2005 .

[14]  D. Louis Collins,et al.  Twenty New Digital Brain Phantoms for Creation of Validation Image Data Bases , 2006, IEEE Transactions on Medical Imaging.

[15]  Jitendra Malik,et al.  Scale-Space and Edge Detection Using Anisotropic Diffusion , 1990, IEEE Trans. Pattern Anal. Mach. Intell..

[16]  Eero P. Simoncelli,et al.  Image quality assessment: from error visibility to structural similarity , 2004, IEEE Transactions on Image Processing.

[17]  R. Henkelman Measurement of signal intensities in the presence of noise in MR images. , 1985, Medical physics.

[18]  Emmanuel J. Candès,et al.  New multiscale transforms, minimum total variation synthesis: applications to edge-preserving image reconstruction , 2002, Signal Process..