一、基于小波变换的磁共振图像去噪方法研究(论文文献综述)
马雨晴[1](2021)在《基于脉冲耦合神经网络的MRI图像分割算法研究》文中研究表明医生在诊断过程中往往需要医学图像的辅助,准确的医学分割图像对医生诊断病情、制定一些疾病的治疗方案具有重要意义。核磁共振成像是目前应用最为广泛的脑部成像手段之一,但其特殊的传输方式会导致图像受到混合噪声的干扰,且由于图像自身对比度低,内部组织形状不定,分离病灶部位与正常组织变得更加困难。为了设计一种满足临床医学实际需求的MRI脑部图像自动分割算法,本文利用哈佛大学医学院图像库中的MRI图像,从去噪和分割两个方面对获取图像进行了深入的研究处理,取得了较好的效果。本文工作总结如下:首先,为了去除噪声干扰,使用改进小波变换算法对MRI脑部图像进行去噪。在低频部分,根据小波系数分布情况设置阈值对小波信号进行信噪分离,并对非目标区域的小波系数进行弱化滤波处理。在高频部分,通过自适应阈值函数对系数进行处理。实验结果表明,与医学图像中常用的去噪算法相比,改进去噪算法取得了更优的视觉效果和去噪效果评价参数。然后,为确保分割的效果与实时性,本文采用PCNN模型对MRI脑部图像进行分割,并使用改进GSO算法进行参数寻优。改进GSO算法引入了自适应步长的概念,使个体萤火虫的步长可以随着迭代次数自动调整。同时,算法标记了种群最优值,并对每次迭代过程中的萤火虫进行了分类,根据萤火虫所属类型将个体移动方式设置为三种。最后,为了使改进GSO算法可以成功的应用于MRI脑部图像中,本文在萤火虫迭代过程中,设定了合适的适应度函数规范萤火虫的移动。在对MRI脑部图像进行特征分析之后,本文列出了图像中常用的评价指标参数。为了消除因单一指标导致图像分割不准确的现象,通过对比实验,将两项指标的加权和确定为最终的适应度函数。完成萤火虫算法与适应度函数的改进后,对去噪后的MRI图像进行了分割实验。通过对群智能算法专用测试函数进行的寻优实验结果证明,改进GSO算法在寻优性与收敛性上均优于其他用于对比的群智能算法,具有不易陷入局部最优解的优势。与MRI图像中其他常用的分割方法相比,本文提出的改进算法在保留图像内部边缘特征的同时,有效地减少了过分割现象的出现,取得了较好的分割效果。
朱亚洲[2](2021)在《基于深度学习的医学图像增强与分割算法研究》文中研究指明近年来,随着国民医疗水平的不断提升,医疗影像设备在基层医院的不断普及,医学图像数据已经成为医生做出病理诊断的重要依据,利用计算机技术对医学影像数据进行处理也随之引起了研究人员的极大兴趣。随着深度学习技术的不断发展和计算机硬件水平的不断提升,基于计算机技术的医学图像辅助诊断技术得到了长足发展。由于医学图像在采集过程中受到机械和环境的影响,往往会在图像中引入噪声和金属伪影损坏图像的质量。因此,医学图像增强是开展进一步医学图像分析的重要预先处理工作。对医学图像中的感兴趣区域采用相关算法进行自动分割对提升专业医师的阅片效率、辅助医生临床诊断和缓解手工分割工作强度有着重要研究意义和临床应用价值。本文主要针对核磁共振图像,分别对核磁共振图像增强和分割算法进行了研究。主要研究了基于编码解码器网络的核磁共振图像去噪算法、基于注意力机制的双监督核磁共振去噪网络以及基于多尺度策略和注意力机制下核磁共振脑肿瘤分割网络。主要工作和贡献如下:(1)提出了一种基于编码解码网络的核磁共振图像增强算法在此算法中,基于深度神经网络可视为一种隐式正则化函数的观点,在新设计的基于编码解码器网络作为隐式正则化的前提下,将图像结构相似性概念引入,构建一种新式的数据保真项,并利用图像清晰度计算这一先验又设计了一种正则化项(惩罚项),由新数据保真项目和基于清晰度计算的正则化项组成了新的模型优化目标函数。所提出的深度神经网络结构主要由三个主要部分组成:编码器网络,解码器网络和跳跃连接结构。编码器网络由五个下采样模块组成,执行提取低分辨率或相对抽象的图像特征;解码器网络结构和编码器网络结构类似,由五个上采样模块串联而成,执行预测和恢复较高分辨率图像特征;跳跃连接结构的作用在于将抽象信息从编码器直接传递到解码器中,增强了解码器信息恢复能力便于生成更精细的图像特征。(2)提出了一种基于注意力机制的双重监督核磁共振图像去噪网络此网络模型在传统的编码解码器网络的基础上,提出了一种基于1l和SSIM损失监督下的并行解码器网络去噪方法。其中,采用的1l损失函数能够避免产生斑点伪影,并有效增强网络捕捉纹理信息的能力,引导解码器子网络从不同角度进行生成图像。为了整合不同解码器的输出,本文引入了一个注意力机制模型。该注意力模型利用从编码器的每个位置(stage)提取的隐藏特征图,在对特征图拼接融合后学习生成权重图,利用权重图对两个解码器的输出进行加权。最后,在利用均方误差损失下来保持整个网络的收敛性。(3)提出了一种基于多尺度注意力机制双编码器(dual-encoder)三维脑肿瘤核磁共振图像分割网络本文提出医学图像分割模型,引入多尺度策略和注意力机制,设计一种多尺度下的双编码器三维核磁共振图像分割网络。此网络首先将输入的三维核磁共振图像调整为两个尺度,然后通过双编码器网络分别对这两个尺度的三维核磁共振图像进行特征提取和捕捉上下文语义信息。在每个编码器网络中,提取网络中不同位置的特征,这些特征来自网络的多个位置,并包含了丰富的上下文信息,然后将其拼接融合后作为所提出的注意模型的输入特征图。接着设计了注意力模型来学习各个尺度特征图对应的权重图,小尺度下对大对象和大尺度下的小对象分别赋予大权重,并对不同尺度下的权重特征逐像素计算权重图,并将权值映射应用到编码器网络的输出,生成多尺度编码器网络的特征总和。然后,设计一个解码器网络,以精确定位或掩码预测与特征的总和。为了使解码器网络能够组装更精确的预测,并在大规模的一个编码器网络和解码器网络之间采用了跳跃连接,以传输高分辨率的特征。
李野[3](2021)在《基于小波分析的医学图像预处理方法研究》文中研究表明超声诊断具有无损、价廉、非电离辐射性、实时等优点,使其成为现代临床医学必不可少的影像诊断技术之一。由于超声成像的相干特性产生的大量噪声,使超声图像存在信噪比低、成像质量差等问题,尤其是掩盖和降低了图像某些细节信息,给之后的图像特征提取和识别,病情诊断及定量分析造成不利的影响。因此,抑制这些噪声,增强图像的细节,改善图像质量是超声图像分析和识别的重要预处理环节,也成为近年来备受研究人员关注的热点问题。本文主要对医学超声图像的预处理方法进行研究,重点分析了医学超声图像的去噪与增强方法,并针对其中存在的问题,提出相应的改进算法。相对于传统去噪方法,小波分析算法在去除高斯噪声方面具有明显的优势,然而在实际问题中,医学图像往往包含脉冲噪声,从而限制了其应用领域。针对这个问题,本文提出了结合中值滤波和小波分析的去噪方法。该方法通过引入中值滤波的概念,分析了小波分析法和中值滤波法去噪性能,最后通过仿真实验加以验证,分析了其在去噪方面的优势及问题,为后续研究奠定了基础。然而,若将小波分析算法应用到医学超声图像去噪中,首先要解决在小波阈值去噪的阈值选取问题,为此本文提出了基于小波分析与全变分去噪结合的去噪方法。阈值选取不当容易导致去噪后图像失真,边界不清的问题,结合了保边效果良好的全变分法,通过与经典医学超声图像去噪方法的对比,验证了本文方法能在有效去噪的同时保留图像细节、纹理特征,其各项去噪性能评价指标均好于经典方法。针对传统图像增强方法中不能同时兼顾抑制噪声与增强图像本身细节特征的问题,本文提出了基于简单塔式分解与小波的医学超声图像增强算法。算法首先用小波分析法对图像进行分解,采用塔式分解结构,对图像的细节特征区域进行增强,再结合小波重构原理,即可达到增强图像细节,抑制噪声的目的。实验结果表明,该算法提高了图像的清晰度和对比度,增强后图像边缘清晰、细节丰富,符合人眼的视觉特性,比经典增强方法具有更好的增强效果。
李士宽[4](2020)在《CBCT图像去噪算法的研究》文中研究说明智慧医疗成为当下热门的话题,众多的医疗产业都在向着智能化的方向迈进,同时推动了医学影像技术的快速发展,CBCT作为医学影像中的后起之秀而受到广泛关注。CBCT具有实时性强、灵敏度高等优点,同时在较少的辐射剂量下,就能获得比较令人满意的重建图像。CBCT图像在临床医学中的应用主要有两个方面,一是用于病变组织的诊断,利用所获得的三维图像可以更加精确的制定治疗方案;二是用于放射治疗的实时跟踪,实现精确治疗。CBCT与传统的CT相比拥有众多的优点,但是图像在软组织部分的对比度比较低,同时会携带伪影。由于CBCT与传统CT相比使用了较少的辐射剂量,使得CBCT图像特别容易被噪声污染,这些因素的存在严重降低了 CBCT图像的质量。增加X射线的剂量能够获得让人满意的图像,但患者就要吸收更多的辐射,损害健康的细胞结构。因此,在不增加辐射剂量的条件下,提高CBCT图像的质量具有很好的研究价值。首先对传统的医学图像及其存在的噪声进行了分析,然后重点对CBCT图像进行了研究,通过对CBCT成像原理的分析,了解到CBCT图像的去噪可以从投影域和重建域两个过程进行,针对两个域中的不同特点,分别采用了不同的去噪方法。本文的主要工作和创新点如下:1、重建域中的去噪。通过对偏微分方程去噪模型进行分析,提出了一种适合CBCT图像的偏微分方程去噪模型,该模型采用Log算子构建了一个新的边缘检测器,通过新的边缘检测器设计了自适应扩散函数,同时根据模糊系数提出了边缘能量保留指数,使偏微分方程在迭代去噪时能自适应终止。通过实验证明了此模型在CBCT图像中是有效的。2、投影域和重建域结合的去噪。对CBCT图像的投影域进行噪声去除时,针对投影域数据量大,去噪耗时长的问题,提出了一种投影域和重建域相结合的去噪算法。此算法依据小波变换来实现快速重建,首先对投影域中的图像进行小波分解,将得到的低频部分进行维纳滤波,高频部分进行阈值处理,处理后的高低频数据分别进行FDK重建,然后对重建后的高低频数据进行小波逆变换、插值,即可得到重建后的CBCT图像,由于所获得的CBCT图像会存在伪影,最后在重建域中还要进行偏微分方程的处理。本算法与传统的投影域去噪算法相比,时间节省了接近一半,并且获得的图像质量更好。
吕俊杰[5](2020)在《基于深度学习的磁共振图像去噪和重建》文中研究说明磁共振(Magnetic Resonance,MR)成像是当今医学领域的一种非常重要的成像方法,MR特殊图像成像方法导致其成像在复杂度、难度以及成像速度上都远高于其他常见的成像方法,成像的结果也会受到各种因素的干扰到信号结果包含伪影和噪声。压缩感知技术通过在k空间上利用少量欠采样数据即可重建MR图像,能够提高数据采集效率,成为MR成像的一个重要研究方向。在磁共振图像重建研究中,本文提出了一种基于非采样小波变换和迭代图像重建算法的先验学习方法。在先验学习阶段,将非采样小波变换得到的特征图像作为去噪自编码网络(Denoising-Autoencoder,DAE)的输入进行叠加。高冗余和多尺度的输入使得特征图像能够在不同的通道上相互关联,从而实现了 一个强大的网络驱动先验。此外,在磁共振图像去噪任务当中,通过拟合图像像素级和特征级的信息分布,提出了一种渐进式网络学习策略。本论文的主要研究成果包括以下两点:(1)基于小波域去噪自编码网络的MR成像重建。基于深度学习的迭代网络构架,利用小波变换作为网络的输入指导,与传统算法相比,基于迭代网络的在性能上有了很大提升,而且处理时间大大缩短。(2)基于渐进分布式神经网络的MR图像去噪。通过在像素级和特征级用大卷积滤波器拟合莱斯分布,提出了一种渐进式网络学习策略。第一子网络和第二子网络分别起初步和再细度估计的作用。由于莱斯噪声的非线性特性,第一个子网中没有使用批量标准化(batch normalization,BN)层。同时,随着非线性分量的减少,在第二次子网路中使用BN来映射估计。本章通过改变网络结构来验证RicianNet的稳定性,并实验验证两个子网络级联的RicianNet具有更好的性能。综上所述,本文围绕快速MR成像重建和图像去噪,分别提出无监督学习的小波域去噪自编码网络算法和有监督的渐进式神经网络算法。
李英[6](2020)在《基于结构相似性和低秩稀疏的磁共振图像去噪算法研究》文中指出磁共振成像在医学领域具有极大的应用价值,但成像过程容易被噪声所污染,从而影响医生对磁共振图像的后续处理和分析。图像去噪是降低噪声对磁共振图像消极影响的最主要方式。然而,由于磁共振图像噪声的复杂性,磁共振图像的去噪仍然是一项艰巨的任务,如易丢失细节和引入伪影。针对磁共振图像,本文进行了去噪研究并提出了基于结构相似性和低秩稀疏的磁共振图像去噪算法。磁共振图像具有结构相似性,即意味着在磁共振图像中存在很多结构相似的图像块,如重复的图像边缘或组织纹理。低秩稀疏即表示将带噪的高秩图像信息进行低秩矩阵逼近以得到稀疏的低秩图像信息,在此过程中会消除噪声。本文的主要工作总结如下:(1)提出了一种自适应结构信息的磁共振图像去噪算法,可用于去除高斯噪声。该算法根据结构相似性提取磁共振图像的结构信息,并利用结构信息引导权重计算过程,避免了不相似像素对去噪过程带来的消极影响。实验结果表明,所提算法减少了伪影的引入,能更好地保留图像细节,同时取得了更高的PSNR和SSIM值。(2)提出了一种基于非局部结构相似信息和低秩稀疏的自适应磁共振图像去噪算法,可用于去除空间稳定和空间变化的Rician或非中心卡方分布噪声。该算法首先利用结构相似性提取磁共振图像中结构相似的非局部图像块,然后使用我们改进的加权核范数最小化对这些相似的图像块进行低秩稀疏以实现噪声的自适应处理。实验结果表明,所提算法在PSNR等定量指标和视觉质量上都取得了更好的结果。(3)提出了一种基于非局部和多方向结构相似信息的扩散加权磁共振图像去噪算法,可去除Rician等非高斯噪声。该算法将扩散加权磁共振图像的非局部和多方向结构相似信息进行融合以提取出更多结构相似的图像块。然后,将这些结构相似的图像块用第三章改进的加权核范数最小化进行低秩稀疏表示以去除噪声。除此之外,该算法还应用了相位校正技术进行预处理,从而减少了去噪过程中的偏差。实验结果表明,所提算法较对比算法在PSNR等评价指标和视觉质量上具有更好的效果。针对磁共振图像去噪,本文提出了相应的算法,实现了磁共振图像质量的提升,进而提高了医生对磁共振图像的分析和处理能力,对医疗诊断过程具有积极的帮助。
康睿文[7](2020)在《基于联合先验的图像去噪研究》文中认为在过去半个多世纪,尽管图像去噪技术取得突飞猛进的发展,但现有图像去噪方法的性能仍不理想。为此,通过联合先验建模,本文先后提出基于结构约束低秩逼近的图像去噪方法和基于细节注入卷积神经网络的图像去噪方法。通过仿真模拟带噪图像和采集真实图像,经实验验证表明,本文方法在去除噪声的同时能够有效恢复图像的结构细节,效果通常超过现有大多数主流的图像去噪方法。(1)基于结构约束低秩逼近的图像去噪方法:作为一种基于模型驱动的方法,本文方法结合基于结构自相似性先验的低秩正则项,同时通过引入形状感知核函数设计核维纳滤波正则项,建立基于全局和局部先验联合的图像去噪模型。利用交替方向乘子法(Alternating direction multiplier method,ADMM)将这个复杂的非凸优化问题分解为3个子问题并通过逐个依次求解和循环迭代,最终获得去除噪声的图像。实验结果表明,该方法能够获得较好的图像去噪效果,通常超过当今最先进的基于模型的图像去噪方法,有时甚至超过基于深度学习的图像去噪方法。(2)基于细节注入卷积神经网络的图像去噪方法:由于上述基于结构约束低秩逼近的图像去噪方法存在手工刻画特征造成的建模瓶颈且模型参数调节繁琐,尤其难以适用于大数据图像去噪问题,为了突破现有基于模型驱动方法的局限性,本文利用小波变换提取图像高频信息作为局部先验,结合空域卷积神经网络作为全局先验,同时设计多尺度可学习的激活函数来取代传统激活函数,提出一种细节注入卷积神经网络模型,并将其用于图像去噪。通过大量模拟仿真和实验验证,结果表明该方法不仅能够有效去除噪声,还能够恢复细微的图像结构,与现有最先进的图像去噪方法相比,通常获得更好的主客观去噪效果。
袁小君[8](2020)在《基于噪声去除的磁共振图像重构研究》文中研究表明磁共振成像(Magnetic Resonance Imaging,MRI)是一种常用的医学成像技术,因其具有高组织分辨率、多序列成像以及没有电离辐射影响等优点被广泛应用于医疗领域。但是磁共振成像存在扫描时间长、成像速度慢的缺点,这在动态磁共振成像中表现的尤为明显。与此同时,MR图像的重构质量影响医生对患者病灶的诊断。针对以上问题,如何缩短磁共振扫描时间和提高MR图像重构质量是当下学者研究的重点内容。结合压缩感知理论,本文主要研究基于噪声去除的磁共振图像重构算法,具体研究内容如下:(1)提出了一种基于自适应低秩去噪的近似消息传递磁共振图像重构算法。该算法利用磁共振图像的低秩属性在近似消息传递重构算法中实现去噪功能,并且根据估计的噪声标准差自适应地设计低秩去噪算法的图像块大小和相似块数量。具体地,使用加权Schatten-p范数最小化(Weighted Schatten p-Norm Minimization,WSNM)实现磁共振图像的低秩去噪,将其作为去噪近似消息传递算法的降噪算法,最终实现图像的重构。实验结果表明,在两种欠采样模式下,使用加权Schatten-p范数最小化的去噪近似消息传递磁共振图像重构算法可获得更高的峰值信噪比和更低的相对2L范数误差,同时能够保留更多的图像边缘信息。(2)研究了一种基于即插即用先验的交替方向乘法算子(Plug-and-play ADMM)磁共振图像重构框架。将经典的ADMM算法设计成能够将现有图像去噪方法作为其重建先验知识的磁共振图像重建框架。一方面,这种基于即插即用先验的ADMM重建算法具有参数少、参数大小对重建质量的影响较为稳定的优势。另一方面,能够将相对成熟的图像去噪方法应用到基于即插即用先验的ADMM重构中,因此这种框架具有通用性。由于三维块匹配方法(Block Matching of 3D filtering,BM3D)是去噪性能优越的经典去噪方法,本文特研究了基于BM3D去噪的即插即用ADMM重构算法(BM3D-based Plug-and-play ADMM,BPA)。实验结果表明,与最近的磁共振图像重建算法比较,本文提出的BPA算法具有更高的峰值信噪比和结构相似性,能够恢复出更多的图像的边缘信息和细节。综上所述,本文研究了两种基于噪声去除的磁共振图像重构算法。同时研究不同的采样模式、采样因子以及相应的算法参数大小对两个重构算法的重构质量影响,并通过实验验证了这两种磁共振图像重构算法的有效性。
张胜男[9](2020)在《基于深度卷积神经网络的图像去噪方法研究及应用》文中研究表明图像去噪是减少数字图像中噪声的过程,是影响图像分割,边缘检测,特征提取等对图像进行后续处理的重要前提。深度卷积神经网络在图像识别、语音处理等方面取得了重大成功,通过深度学习,可以使机器模拟人类的视觉、听觉、思维等行为,能够克服模式识别中难以处理复杂问题的困难。图像去噪在视频分析和语音处理方面有巨大的应用,深度卷积网络利用深度学习无需用统计方法分析数据的优点,在图像去噪中取得了成功。针对传统的基于块匹配的图像去噪方法只能处理二维图像以及去噪性能不高的缺点,提出一种基于深度卷积神经网络的图像去噪方法。该方法首先利用三维剪切波变换来得到变换域系数,对噪声图像进行多尺度分解和方向剖分两个滤波阶段;然后通过硬阈值和维纳滤波阶段提出四维块匹配方法,其中两个阶段又分别包括分组、协同过滤和聚合三个步骤,利用堆积成四维组的体素立方体,在该组的四维变换同时利用每个立方体中体素之间存在的局部相关性和不同立方体中相应体素之间的非局部相关性。通过三维剪切波逆变换,得到每个分组立方体的估计值,并在原始位置进行自适应聚合,从而得到潜在的干净图像。然后用深度卷积神经网络中的生成对抗网络对潜在的干净图像进行训练,得到最终干净的图像。本文所提出的方法能够充分使用剪切波变换,并将三维块匹配算法进行改进,使三维图像得到去噪处理。通过深度对抗学习网络中的生成模型和鉴别模型进行对抗训练得到模型,实现了拟合数据分布和数据增强。本文通过与传统去噪方法BM3D、EPLL、TNRD等实验比较,以图像的峰值信噪比、结构相似性和边缘保持指数作为评价标准,有效地改善了图像的视觉效果,而且通过对比传统去噪方法显示,能够有效地去除高噪声环境下的图像噪声,并证明了本文方法对经典图像和磁共振图像去噪的有效性。
田峥[10](2019)在《基于平滑剪切波变换的医学磁共振图像去噪算法研究》文中认为医学磁共振图像因为其具有超高的软组织分辨力、多角度任意切层能力、多平面多参数成像能力、无需造影剂的无创性的优良特点,被广泛应用到脑部以及心脏等重要脏器的诊断和治疗中。近年来伴随着医学影像技术的迅猛发展,磁共振影像技术已经成为了医生判断患者病情不可或缺的重要手段,越来越多地受到人们的关注,自然成为了当前医学影像技术研究的热点。但磁共振图像中含有的噪声会影响图像的视觉质量,也影响着后续对磁共振图像的特征分割、分类,三维图像重建和匹配等分析和处理,因此磁共振图像的噪声估计与去除具有重大的实际意义。本文通过分析磁共振图像的成像原理和噪声的分布特性,及针对现有剪切波变换尺度函数以及方向锥结构对角部分存在的不平滑情况,改进了一种基于平滑剪切波变换(Smooth Shearlet Transform,SST)的医学磁共振图像去噪算法。该算法比传统的小波算法,在频域中拥有更多的方向选择性,可以保留更多图像细节信息;相比传统剪切波算法,SST变换在剪切波方向滤波器和低频滤波器的边界过渡更平滑,能减少频域信息的损失,提高去噪效果。医学磁共振图像经过SST变换被分解为具有多尺度多方向性的高频细节部分和低频轮廓部分;本文通过统计分解后的剪切波系数的分布特征来建立最优分布模型;对传统阈值收缩算法进行改进,使得算法能够结合每个高频子带系数的统计差异,来生成每个子带不同的合理阈值;结合低频磁共振图像噪声莱斯分布的特性,采用了一种新颖的Bitonic双调低频滤波器;通过双路残余图像去噪算法来实现图像噪声的去除与边缘保留的最大化;通过逆SST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磁共振图像。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磁共振图像实验,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和边缘保持效果,在医学诊断系统中有良好的应用。本文的主要工作如下:(1)在传统的剪切波变换克服了小波变换方向性不足和稀疏性表达不足的基础上,本文采用了更平滑的剪切波变换。该算法比传统剪切波变换具有更平滑的频域边界,改善了频域中每个子带的方向性,具有良好的时域定位特性;(2)针对磁共振图像噪声莱斯分布的特点,采用了Bitonic双调滤波器来针对处理信号信噪比不一致的噪声;(3)根据软硬阈值算法的优劣势,结合图像系数分布特征提出了基于贝叶斯的阈值算法和最优线性插值收缩算法;(4)本文采用了一种双路残余图像去噪方法,来达到去噪效果和边缘细节保留的最大平衡;(5)本文在实验部分通过对比实验和临床医学二维及三维磁共振图像实验,对实验结果数据结合各种评价指标来进行主观评价和客观分析。
二、基于小波变换的磁共振图像去噪方法研究(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、基于小波变换的磁共振图像去噪方法研究(论文提纲范文)
(1)基于脉冲耦合神经网络的MRI图像分割算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 MRI图像去噪现状 |
1.2.2 MRI图像分割现状 |
1.3 论文主要研究内容 |
1.4 论文结构安排 |
第2章 MRI图像的去噪处理 |
2.1 MRI图像噪声类型概述及典型的去噪方法 |
2.1.1 中值滤波 |
2.1.2 非线性扩散滤波 |
2.1.3 三维块匹配算法 |
2.1.4 基于小波变换的噪声去除方法 |
2.2 基于小波变换与频域过滤的改进去噪方法 |
2.2.1 低频小波系数处理 |
2.2.2 高频小波系数处理 |
2.3 MRI医学图像去噪评价指标 |
2.3.1 均方差 |
2.3.2 峰值信噪比 |
2.3.3 图像结构相似度 |
2.3.4 边缘保持系数 |
2.4 实验仿真与结果分析 |
2.5 本章小结 |
第3章 基于脉冲耦合神经网络的MRI图像分割技术 |
3.1 MRI图像分割算法概述 |
3.1.1 边缘检测分割法 |
3.1.2 阈值分割算法 |
3.1.3 结合特定理论的分割算法 |
3.2 PCNN工作原理与基础模型 |
3.2.1 接收域 |
3.2.2 调制部分 |
3.2.3 脉冲产生部分 |
3.3 简化 PCNN 与图像分割参数的设定 |
3.3.1 简化PCNN模型 |
3.3.2 基于实验经验的图像分割参数设定 |
3.3.3 基于自适应方法的图像分割参数设定 |
3.4 本章小结 |
第4章 萤火虫算法及其改进 |
4.1 萤火虫算法介绍 |
4.1.1 萤火虫算法工作原理 |
4.1.2 萤火虫算法模型 |
4.1.3 萤火虫算法流程 |
4.2 改进萤火虫算法 |
4.2.1 改进萤火虫算法模型 |
4.2.2 改进萤火虫算法流程 |
4.3 实验结果分析 |
4.3.1 测试函数 |
4.3.2 收敛性分析 |
4.4 本章小结 |
第5章 基于改进萤火虫算法的PCNN图像分割 |
5.1 MRI图像分割性能评价指标 |
5.1.1 信息熵 |
5.1.2 交叉熵 |
5.1.3 图像紧凑度 |
5.1.4 色差均值对比 |
5.1.5 区域一致性 |
5.2 实验结果与分析 |
5.2.1 适应度函数的设定 |
5.2.2 结果与分析 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
在学期间公开发表论文及着作情况 |
(2)基于深度学习的医学图像增强与分割算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展与现状 |
1.2.1 传统的医学图像增强与分割算法 |
1.2.2 基于深度学习的医学图像增强与分割研究现状 |
1.3 本文的主要研究工作与结构安排 |
第二章 基于深度学习的医学图像增强与分割理论基础 |
2.1 引言 |
2.2 深度学习基础理论 |
2.2.1 神经网络模型 |
2.2.2 基于梯度的优化方法 |
2.2.3 反向传播算法 |
2.2.4 多尺度模型 |
2.3 深度神经网络模型 |
2.3.1 卷积神经网络模型 |
2.3.2 U-Net模型 |
2.4 本章小结 |
第三章 基于卷积编码解码器的核磁共振图像去噪 |
3.1 引言 |
3.2 图像去噪模型 |
3.3 网络结构模型 |
3.3.1 编码器网络结构 |
3.3.2 解码器网络结构 |
3.3.3 跳跃连接结构 |
3.4 目标函数 |
3.4.1 数据保真项L_(fidelity) |
3.4.2 显式正则项L_(quality) |
3.5 实验结果与分析 |
3.5.1 Brain Web数据集 |
3.5.2 实验设置 |
3.5.3 结果与分析 |
3.6 本章小结 |
第四章 基于注意力机制的双监督核磁共振图像去噪 |
4.1 引言 |
4.2 去噪模型描述 |
4.3 网络结构描述 |
4.3.1 下采样和上采样模块 |
4.3.2 平行双解码器网络 |
4.3.3 注意力模块设计 |
4.4 损失函数设计 |
4.5 实验结果与分析 |
4.5.1 实验实施细节 |
4.5.2 实验结果定性分析 |
4.5.3 实验结果定量分析 |
4.6 本章小结 |
第五章 基于多尺度注意力机制dual-encoder三维脑肿瘤MR图像分割 |
5.1 引言 |
5.2 网络结构设计 |
5.2.1 网络结构总览 |
5.2.2 Dual-encoder网络结构 |
5.2.3 多尺度注意力模型结构 |
5.2.4 Decoder网络结构 |
5.3 损失函数 |
5.4 实验结果与分析 |
5.4.1 BraTS数据集和数据预处理 |
5.4.2 实验设置 |
5.4.3 结果与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 本文小结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
附录: 攻读硕士期间取得的科研成果 |
(3)基于小波分析的医学图像预处理方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 小波分析在图像处理中国内外研究现状 |
1.3 医学图像预处理的国内外研究现状 |
1.4 主要研究内容 |
第2章 小波分析理论 |
2.1 小波分析概述 |
2.2 傅立叶变换到小波变换 |
2.3 连续小波变换 |
2.4 离散小波变换 |
2.5 多分辨率分析 |
2.5.1 一维多分辨率分析 |
2.5.2 一维Mallat算法 |
2.5.3 二维多分辨率分析 |
2.5.4 二维Mallat算法 |
2.6 小波分析与信号、图像 |
2.7 本章小结 |
第3章 基于小波分析与中值滤波的图像去噪方法 |
3.1 医学图像的处理 |
3.1.1 医学图像的分类与概述 |
3.1.2 图像处理系统的基本结构 |
3.1.3 图像数据的采样与量化 |
3.1.4 图像的传输与存储 |
3.2 小波去噪原理概述 |
3.2.1 小波去噪的方法及原理 |
3.2.2 影响小波去噪的因素 |
3.2.3 图像去噪效果评价指标 |
3.3 基于小波分析与中值滤波相结合的图像去噪 |
3.4 实验结果和分析 |
3.4.1 实验结果 |
3.4.2 结论 |
3.5 本章小结 |
第4章 基于小波阈值与全变分的图像去噪方法 |
4.1 基于偏微分方程的图像去噪算法 |
4.1.1 全变分TV模型 |
4.1.2 全变分图像去噪原理 |
4.2 小波阈值与全变分结合图像去噪方法 |
4.3 实验结果分析及对比 |
4.4 本章小结 |
第5章 基于小波分析与塔式分解的图像增强算法 |
5.1 图像增强的基本概念 |
5.2 基于多尺度的图像图形增强方法 |
5.3 基于简单塔式分解的频域非线性增强 |
5.4 实验结果分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(4)CBCT图像去噪算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文研究内容和安排 |
第2章 医学图像的成像分析及噪声去除 |
2.1 引言 |
2.2 常用医学图像的分析及噪声去除 |
2.2.1 超声图像 |
2.2.2 磁共振图像 |
2.2.3 CT图像 |
2.3 CBCT图像分析 |
2.3.1 CBCT成像原理 |
2.3.2 CBCT重建算法 |
2.3.3 CBCT图像噪声分析及去噪过程 |
2.4 图像质量的评价 |
2.5 本章小结 |
第3章 基于偏微分方程的CBCT图像去噪 |
3.1 引言 |
3.2 偏微分方程去噪模型 |
3.2.1 二阶PDE去噪模型 |
3.2.2 四阶PDE去噪模型 |
3.3 偏微分方程的改进 |
3.4 实验结果与分析 |
3.4.1 测试图像去噪方法比较 |
3.4.2 临床图像去噪方法比较 |
3.5 本章小结 |
第4章 基于投影域与重建域结合的CBCT去噪 |
4.1 引言 |
4.2 基本理论 |
4.2.1 小波变换 |
4.2.2 小波去噪方法 |
4.2.3 维纳滤波 |
4.2.4 小波域维纳滤波 |
4.3 投影域和重建域结合去噪 |
4.3.1 投影域处理 |
4.3.2 重建域处理 |
4.3.3 算法的具体流程图 |
4.4 实验结果及分析 |
4.5 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
学位论文评阅及答辩情况表 |
(5)基于深度学习的磁共振图像去噪和重建(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.3 研究内容 |
1.4 章节安排 |
第2章 理论基础 |
2.1 卷积神经网络 |
2.2 评价指标 |
2.3 深度学习常用框架及工具包 |
第3章 基于小波变换去噪自编码网络的压缩感知重建 |
3.1 引言 |
3.2 传统去噪自编码器模型 |
3.2.1 去噪自编码器模型 |
3.2.2 小波变换 |
3.3 WDAEP模型 |
3.3.1 小波变换引导的DAEP(WDAEP) |
3.3.2 网络D_(σ_η)(Φ(u)) |
3.3.3 WDAEPRec:WDAEP的迭代求解 |
3.4 实验结果与分析 |
3.4.1 不同采样方式下的比较 |
3.4.2 不同采样模式下结果的比较 |
3.4.3 多种网络 |
3.5 本章小结 |
第4章 基于渐进分布式神经网络的磁共振图像去噪 |
4.1 引言 |
4.2 基于分布估计去噪和网络结构残差表示 |
4.3 本文的网路模型 |
4.3.1 网络结构 |
4.3.2 结构分析 |
4.3.3 多种网络结构 |
4.4 实验结果与分析 |
4.4.1 合成脑图像的比较 |
4.4.2 复数MR数据的比较 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 本文工作总结 |
5.2 未来研究展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(6)基于结构相似性和低秩稀疏的磁共振图像去噪算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容 |
1.4 本文结构安排 |
1.5 本章小结 |
第二章 一种自适应结构信息的磁共振图像去噪算法 |
2.1 引言 |
2.2 算法总体框架结构 |
2.3 图像预滤波 |
2.4 基于聚类的结构信息提取 |
2.5 自适应结构信息的去噪过程 |
2.6 实验验证与结果分析 |
2.6.1 实验数据和评价指标 |
2.6.2 参数设置 |
2.6.3 去噪性能比较 |
2.7 本章小结 |
第三章 基于非局部结构相似信息和低秩稀疏的自适应磁共振图像去噪算法 |
3.1 引言 |
3.2 算法总体框架结构 |
3.3 非高斯噪声的自适应处理 |
3.4 非局部结构相似信息提取 |
3.5 局部自适应的加权核范数最小化 |
3.6 图像块聚合与后处理 |
3.7 实验验证与结果分析 |
3.7.1 实验数据与评价指标 |
3.7.2 参数设置 |
3.7.3 去噪性能比较 |
3.8 本章小结 |
第四章 融合非局部和多方向结构相似信息的扩散加权磁共振图像去噪算法 |
4.1 引言 |
4.2 算法总体框架结构 |
4.3 相位校正 |
4.4 非局部和多方向结构相似信息提取 |
4.5 基于加权核范数最小化的局部自适应去噪过程 |
4.6 实验验证与结果分析 |
4.6.1 实验数据与评价指标 |
4.6.2 去噪性能比较 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 工作展望 |
5.3 本章小结 |
参考文献 |
致谢 |
攻读硕士学位期间取得的科研成果 |
(7)基于联合先验的图像去噪研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 基于空间域方法的国内外研究现状 |
1.2.2 基于变换域方法的国内外研究现状 |
1.3 本文研究内容及章节安排 |
第二章 图像去噪相关理论及方法 |
2.1 引言 |
2.2 图像退化模型 |
2.3 基于正则约束的图像复原方法 |
2.4 基于深度学习的图像复原方法 |
2.4.1 卷积神经网络基础知识 |
2.4.2 经典基于CNN复原算法 |
2.5 本章小结 |
第三章 基于结构约束低秩逼近的图像去噪方法 |
3.1 引言 |
3.2 基于结构约束低秩逼近的图像去噪方法 |
3.3 优化求解 |
3.3.1 加权核规范正则项子问题优化求解 |
3.3.2 核维纳滤波正则项子问题优化求解 |
3.3.3 对偶变量更新子问题优化求解 |
3.4 实验结果及分析 |
3.4.1 测试数据 |
3.4.2 实验设置 |
3.4.3 灰度图像上的测试结果及分析 |
3.4.4 彩色图像上的测试结果及分析 |
3.4.5 真实噪声图像上的测试结果及分析 |
3.4.6 计算时间结果对比及分析 |
3.4.7 讨论 |
3.5 本章小结 |
第四章 细节注入卷积神经网络的图像去噪方法 |
4.1 引言 |
4.2 权重可学习激活单元 |
4.2.1 权重可学习激活单元的设计 |
4.2.2 实验结果及分析 |
4.2.3 结论 |
4.3 细节注入卷积神经网络 |
4.3.1 网络结构 |
4.3.2 网络实施细节 |
4.4 实验结果及分析 |
4.4.1 实验设置 |
4.4.2 消融实验 |
4.4.3 实验对比结果及分析 |
4.4.4 计算时间对比结果及分析 |
4.5 本章小结 |
第五章 总结与展望 |
工作总结 |
工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的科研成果 |
(8)基于噪声去除的磁共振图像重构研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 图像去噪 |
1.2.2 磁共振图像重建 |
1.3 论文研究内容 |
1.4 全文组织结构 |
第二章 基于压缩感知的MRI成像原理 |
2.1 MRI成像原理 |
2.2 压缩感知理论 |
2.2.1 压缩感知理论基础 |
2.2.2 采样方式 |
2.2.3 图像的稀疏表示 |
2.3 磁共振图像重建算法 |
2.3.1 经典CS-MRI重建算法 |
2.3.2 基于去噪的磁共振图像重构算法 |
2.3.3 图像质量评价标准 |
2.4 本章小结 |
第三章 基于自适应低秩去噪的近似消息传递磁共振图像重构算法研究 |
3.1 引言 |
3.2 图像低秩去噪算法 |
3.3 基于自适应低秩去噪的近似消息传递磁共振图像重构算法 |
3.4 实验结果与分析 |
3.4.1 实验结果 |
3.4.2 不同采样因子下图像的重构质量 |
3.4.3 Schatten-p范数的大小对磁共振图像重构质量的影响 |
3.4.4 噪声大小对重构质量的影响 |
3.5 本章小结 |
第四章 基于即插即用先验的磁共振图像重构算法研究 |
4.1 引言 |
4.2 基于即插即用先验的ADMM磁共振图像重建 |
4.3 使用BM3D去噪的磁共振图像重构 |
4.3.1 BM3D去噪算法 |
4.3.2 本章算法整体流程 |
4.4 实验结果与分析 |
4.4.1 实验结果 |
4.4.2 不同加速因子下重构性能的比较 |
4.4.3 惩罚参数的取值对重构结果的影响 |
4.4.4 不同去噪方法的重构结果比较 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 作者攻读硕士学位期间的研究成果 |
(9)基于深度卷积神经网络的图像去噪方法研究及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 神经网络的发展 |
1.4 深度学习的发展历程 |
1.5 论文结构和章节安排 |
第二章 图像去噪的相关理论基础 |
2.1 图像去噪 |
2.1.1 噪声模型 |
2.1.2 图像去噪方法 |
2.2 图像去噪效果评价 |
2.3 本章小结 |
第三章 基于三维剪切波变换与BM4D图像去噪方法 |
3.1 三维剪切波 |
3.1.1 三维剪切波的表示 |
3.1.2 使用剪切器的最佳稀疏三维近似 |
3.1.3 使用组合字典的三维数据去噪 |
3.2 三维块匹配方法思想 |
3.3 四维块匹配方法 |
3.3.1 观测模型 |
3.3.2 具体方法 |
3.4 基于三维剪切波变换与BM4D的图像去噪过程 |
3.5 实验与分析 |
3.6 本章小结 |
第四章 基于深度生成对抗网络的图像去噪方法 |
4.1 卷积神经网络原理 |
4.1.1 局部连接 |
4.1.2 权值共享 |
4.2 卷积神经网络的结构 |
4.2.1 卷积层 |
4.2.2 池化层 |
4.2.3 全连接层 |
4.2.4 激活函数 |
4.3 基于生成对抗网络去噪的具体方法 |
4.3.1 生成对抗网络图像去噪模型 |
4.3.2 降噪体系 |
4.3.3 三阶段训练过程 |
4.4 实验与分析 |
4.5 本章小结 |
第五章 基于深度生成对抗网络的磁共振图像去噪应用 |
5.1 磁共振图像去噪的意义 |
5.2 磁共振图像噪声模型 |
5.3 去噪实验-高斯噪声 |
5.4 去噪实验-Rician噪声 |
5.4.1 Rician分布特点 |
5.4.2 实验与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 未来工作展望 |
参考文献 |
攻读硕士学位期间的研究成果 |
致谢 |
(10)基于平滑剪切波变换的医学磁共振图像去噪算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题的背景和意义 |
1.2 磁共振成像原理及其噪声模型 |
1.2.1 磁共振成像原理 |
1.2.2 磁共振图像噪声来源 |
1.2.3 磁共振莱斯噪声模型 |
1.3 当前医学磁共振图像去噪算法研究现状 |
1.3.1 滤波器法的研究现状 |
1.3.2 统计学法的研究现状 |
1.3.3 变换域法的研究现状 |
1.4 本文研究内容及结构安排 |
1.4.1 本文的研究内容 |
1.4.2 本文的结构安排 |
第二章 相关的基本理论 |
2.1 剪切波理论的引入 |
2.1.1 傅里叶和小波变换的局限 |
2.1.2 连续剪切波理论 |
2.1.3 剪切波的频域划分及其锥形结构 |
2.2 剪切波的离散化 |
2.2.1 图像框架理论及其重构精度 |
2.2.2 剪切波的离散化及系数计算 |
2.2.3 三维剪切波系统 |
2.3 剪切波系数统计特性 |
2.3.1 广义高斯模型(GGM) |
2.3.2 高斯混合模型(GMM) |
2.3.3 正态逆高斯分布模型(NIG) |
2.4 低频滤波器 |
2.4.1 加权滤波器 |
2.4.2 双边滤波器 |
2.4.3 三边滤波器 |
2.4.4 Bitonic双调滤波器 |
2.5 本章小结 |
第三章 基于平滑剪切波变换的去噪算法 |
3.1 平滑剪切波变换 |
3.1.1 平滑尺度函数 |
3.1.2 平滑剪切波锥系统(?)_jk |
3.1.3 SST变换锥划分及索引 |
3.1.4 SST变换(?)_jk的产生流程及去噪的一般步骤 |
3.2 改进的阈值函数 |
3.2.1 常用阈值函数 |
3.2.2 SST子带系数统计模型 |
3.2.3 基于MAP最大后验估计的阈值方法 |
3.2.4 阈值的参数估计 |
3.3 改进的收缩算法 |
3.3.1 常用的收缩算法 |
3.3.2 改进的收缩算法 |
3.3.3 对比实验 |
3.4 双路残余图像去噪 |
3.4.1 DWRNT算法流程 |
3.4.2 对比实验 |
3.5 基于平滑剪切波变换的去噪算法整体步骤 |
3.6 本章小结 |
第四章 平滑剪切波变换算法在医学磁共振图像中的应用 |
4.1 合成图像仿真实验 |
4.1.1 去噪效果的评价指标 |
4.1.2 仿真实验结果分析 |
4.2 医学磁共振图像实验 |
4.2.1 去噪图像分析 |
4.2.2 自然图像质量指标 |
4.2.3 残余图像分析 |
4.2.4 三维医学磁共振图像去噪 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 发明专利 |
学位论文数据集 |
四、基于小波变换的磁共振图像去噪方法研究(论文参考文献)
- [1]基于脉冲耦合神经网络的MRI图像分割算法研究[D]. 马雨晴. 东北师范大学, 2021(12)
- [2]基于深度学习的医学图像增强与分割算法研究[D]. 朱亚洲. 江南大学, 2021(01)
- [3]基于小波分析的医学图像预处理方法研究[D]. 李野. 沈阳理工大学, 2021(01)
- [4]CBCT图像去噪算法的研究[D]. 李士宽. 山东大学, 2020(02)
- [5]基于深度学习的磁共振图像去噪和重建[D]. 吕俊杰. 南昌大学, 2020(01)
- [6]基于结构相似性和低秩稀疏的磁共振图像去噪算法研究[D]. 李英. 西北大学, 2020(02)
- [7]基于联合先验的图像去噪研究[D]. 康睿文. 西北大学, 2020(02)
- [8]基于噪声去除的磁共振图像重构研究[D]. 袁小君. 浙江理工大学, 2020(06)
- [9]基于深度卷积神经网络的图像去噪方法研究及应用[D]. 张胜男. 山东理工大学, 2020(02)
- [10]基于平滑剪切波变换的医学磁共振图像去噪算法研究[D]. 田峥. 浙江工业大学, 2019(03)