کاهش نوفه در تصویربرداری تشدید مغناطیسی با استفاده از الگوریتم تخمین بیزین

تصویربرداری تشدید مغناطیسی (mri) که اساس آن بر پایه تشدید مغناطیسی هسته ای بنا نهاده شده، به عنوان یک روش بارز در زمینه کاربردهای پزشکی مطرح است. به دلیل وضوح مناسب و فناوری کم‌ضرر،mri در کاربردهای بالینی بسیار مورد توجه قرار گرفته است. کیفیت تصاویر mr نقش کلیدی در نحوه تشخیص پزشک ایفا می کند؛ اما به دلیل ایجاد نوفه حین فرآیند تصویربرداری، اغلب کیفیت تصاویر دریافتی کاهش می‌یابد. از این‌رو حذف نوفه جهت ارتقای قابلیت تشخیص بسیار مورد توجه قرار گرفته است. نوفه موجود در تصاویر mr که منجر به کاهش شدت نور تصویر شده و بایاس وابسته به سیگنال ایجاد می کند، به بهترین شکل با تابع توزیع رایسین مدل می‌شود. به‌طور‌کلی هدف از این پژوهش پیداکردن تابع چگالی احتمال پیشین مناسبی برای سیگنال بدون نوفه mr و استفاده از تخمین بیزین در راستای کاهش نوفه تصویر است که در مقایسه با سایر روش های گروه آماری روشی کم‌هزینه با پیچیدگی محاسباتی پایین تر است.

A Bayesian approach for image denoising in MRI

Magnetic Resonance Imaging (MRI) is a notable medical imaging technique that is based on Nuclear Magnetic Resonance (NMR). MRI is a safe imaging method with high contrast between soft tissues, which made it the most popular imaging technique in clinical applications. MR Imagechr('39')s visual quality plays a vital role in medical diagnostics that can be severely corrupted by existing noise during the acquisition process. Therefore, the denoising of these images has great importance in medical applications. During the last decades, lots of MR denoising approaches from various groups of techniques have been proposed that can be classified into two general groups of acquisitionbased noise reduction and postacquisition denoising methods. The first groupchr('39')s approaches will add imaging time and led to a much timeconsuming process. The second groupchr('39')s issues are its complicated mathematical equations required for image denoising, in which stochastic algorithms are usually required to solve these complex equations.This study aims to find an appropriate statical postacquisition denoising MR imaging method based on the Bayesian technique. Finding the appropriate prior density function also has great importance since the Bayesian techniquechr('39')s performance is related to its prior density function. In this study, the uniform distribution has been applied as the prior density function. The prior uniform distribution function will reduce the Bayesian algorithm to its simplest possible state and lower computational complexity and time consumption. The proposed method can solve the numerical problems with an adequate timing process without complex algorithms and remove noise in less than 120 seconds on average in all cases. To quantitatively assess image improvement, we used the Structural Similarity Function (SSIM) in MATLAB. The similarity with this function shows an average improvement of more than 0.1 in all images. Considering the results, it can be concluded that combining the uniform distribution function as a prior density function and the Bayesian algorithm can significantly reduce the imagechr('39')s noise without the time and computational cost.