Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (399.23 KB, 6 trang )
<span class='text_page_counter'>(1)</span><div class='page_container' data-page=1>
<b> guyễn hành rung*<sub> h h ng </sub></b>
<i>Trường Đại học Công nghệ thơng tin và Truyền thơng – ĐH Thái Ngun </i>
TĨM TẮT
T ng n y ch ng u ph ng ph p h nh ễu h u u p ng ch nh ch p
c p CT T ng ph ng ph p c u nh c ph n ch h nh ng c c c h nh
ph n n g h nh ph n n h p h nh ph n n ung nh h nh ph n n
c Kh nh ễu c h c h n h ng u c c ng c c h nh ph n n n y Th nh ph n
n ung nh c c ng n u ễn h , u h nh ph n n c c c
ng ng c ng ạng n n nh n ạ . Vi c c ng n c n ng n c u
c y ng p c c nh u chu n h ng nh ễu nh ng nh n y ng nh ng h ng
g ng h nh c n h nh ễu Th c ngh ch h y ph ng ph p c ch ng n c c ch
nh ng nh h n ph ng ph p h n ạ g n y c nh ng nh ính.
<i><b> ừ khóa: h nhi u nh ạng n -r n nh n ạ i u i n hư nh ch c , tia X</b></i>
GIỚI THIỆU*
Kỹ hu h nh nh CT (Computed
<i>tomography) </i> ạ nh ch p c p ng
c u ch u c h ng h
c ng ng nh ch p c p CT c
u n ng ch n n nh.
T ng u nh ạ nh CT, c ỹ
hu ng u ng h p u
h n c nh ễu ng c c y u
ch ng h nh nh g c h
Nh ễu ng nh CT n u n ng
photon g p ph n ạ n n nh D
y, c h g nh ễu ng c ng u
ng h u Kh ng u ng
ng ngh c ng c g y hạ
c h c ng nh M g ph p
h c c u n ph n c c ph ng
ph p h nh ễu ạnh c c h nh nh
ch ng u ng h p
nh c h y, c h nh ễu nh
n nh n nh ng nh y n
chung nh CT n ng n c n nh u h ch
h c c n c g uy .
h nh ễu nh c nh u c ch p c n
h c nh u c ch p c n c u nh c
ng c phạ p ng h c nh u
*
<i>Tel: 0987 843338, Email: </i>
C ch n g n nh h nh ễu
ng c c ph p c c n ng n h ng
g n nh c c ph p c G u n, Wiener …
Nh ng c n y ch u
T ng ch n n nh ng nh CT
nh ng ch nh c h ch ng nh ng
h ng n u n ng nh D y
ph ng ph p h nh ễu ch nh ễu
c ạ n n c nh u c c
ch nh ng nh ng h ch h c
không nh c ngh .
h h nh ph n n c c ng h ng
u ạng n - n nh n ạ c c ng h
h nh ph n n ung nh c c h c
h n g p c c u g
c c c p ng nh n ung nh n
<b>cao: (Pm, Ph</b> C u n y c ạ
p c c h nh nh u ch ng
c nh h ng nh ễu.
PHƯƠNG PHÁP Ề UẤT
<b> ơ hình của ảnh nhiễu </b>
Nh ễu ng nh CT c ch ng nh c
h p ng ph n Gaussian [1]. D
<b> y n u g Y nh nh ễu h c : </b>
<b>Y = X + </b><b> (1) </b>
<b> ng X nh h ng nh ễu c n c </b>
ng n ng u nh n u n h ph n
G u n c ung nh ng 0 ph ng
2
. M c nh ễu n ng h y nhẹ y hu c
g c ph ng
<b> hân tách ảnh </b>
c ph n ch c c h nh ph n n 8 c
h c h n h ng u c c c ng n
không gian c h nh u
<b>Yl = LPF(Y) (2) </b>
<b>Ym = BPF(Y) (3) </b>
<b>Yh = Y - Ym - Yl</b> (4)
T ng P (Low Pass Filter), BPF (Band
Pass F ng ng c h ng h p
c h ng C c ch h ng ng
h p), middle ( ung nh h gh
(cao). T ng h c ngh ch ng ng
c c c h ng h p G u n h p
n h c h n c ph n ch
<b> nh h nh c c h nh ph n n Yl</b>
<b>, Ym, Yh. </b>
<i><b> ình 1. h n ách nh hành các hành h n n h rung nh, cao</b></i>
<b> t ng h ng há </b>
<b> c h nh ễu nh h c ch c c ng X Y ng h nh (1) c ch ph n ch </b>
nh h nh c c h nh ph n n h p ung nh c , c h h nh ễu h ng u c c
<b> ng ng h nh ph n n c nh u g huy nh ễu ch y u p ung Ym</b>
<b>, Yh</b>
<b>í p ung Yl<sub> n n ch ng p ung c h nh ễu Y</sub>m<sub> Y</sub>h</b><sub> h c ch h c h n c </sub>
<b> ng X</b>m<b><sub> X</sub></b>h<b><sub> Y h c c u c ạ nh ng nh ch ng </sub></b>
c nh h ng nh ễu. c ch p c n n y, k u c nh u u h h nh ễu :
(5).
<b> c ng Xm</b>
<b>, X</b>
<b>h<sub> c nh u c ch ng ph ng ph p MR D 8 X</sub>m</b>
<b> = Ym và Xh</b> c c
ng h ng u ng M ng u nh n h nh n y h ph c ạp T ng ph ng ph p c
<b>chúng tôi, Xm c c ng n u ễn h ng u n y c ng X</b>h
h ng u ạng n n nh n ạ Ph ng ph p g c c c c u:
<b>B ớc 1 y ng c u </b>
<b>B ớc 2 Ư c ng h nh ph n n ung nh </b>
<b>B ớc 3: Ư c ng h nh ph n n c . </b>
<b>B ớc 4 T ng h p nh u a </b>
<b> ội dung h ng há </b>
<b>B ớc 1: Xây dựng c s dữ liệu </b>
tôi tách c c nh n h nh c c h nh ph n n
h p ung nh c h c ch c
Ph n ích nh Th nh ph n n c
h nh ph n n ung nh c ch h nh
c c ng nh u ng nh g nh u c ng
ích h c p h nh c p h nh
<b> h nh n n c u Pm, Ph</b>) bao g c c
c p ng n ung nh- n c M
ng u c u ạng c N
ch u :
N ng nh c ng c
nh c ng).
C u n y c ng ng c
<b> c ng Xm<sub> X</sub>h<sub> c nh u Y</sub>m</b><sub> c </sub>
nh nh ễu.
<b>B ớc 2: Ước l ợng Xm </b>
c c h c h n h ng ng
nh ngh ng ng ng ng
ng c u
con K n c n g n nh c ) trong
<b>Pm</b> u c ính h ng u u ễn
h c h nh u:
(6)
ng :
(7)
sao cho .
c Gh p c c ng …M
nh u hu c .
<b>B ớc 3: Ước l ợng Xh</b>
<b> c c ng h nh ph n n c X</b>h
c ng c h c h n h ng ng nh .
Ch ng ng ạng n - n p uy n
a) Hu n uy n ạng M P
b) ng ạng hu n uy n
ng c ch ch u ạng hu n uy n.
C u c chung c ạng M P nh h nh
<i><b> ình 2. C u r c chung c ạng </b></i>
C u ng ng c hu n uy n
<b> ạng (Pm, Ph</b> c y ng c
c hu n uy n c h c h c h n c
p c ng ng h p n y h g n
nh ch c c ng h nh ph n n
c c nh u g ng .
u h c ng c p c c ng
ng ng c c ng ( i =1, … M),
h nh c c nh u c
ng c ch gh p c c ng n y nh u.
<b>B ớc 4: ng hợ ảnh u ra </b>
nh u c ng h p c c h nh ph n
n h p n c n ung nh h
ph ng nh ng
MÔ PHỎNG À ÁNH GIÁ KẾT U
<i><b> ình 3. nh CT v ng h i hông nhi u </b></i>
T ng ng ạ nh u n CT
ng ph nh ng nh ng h ng
g ng h nh n c ch n y
ng c u.
<i><b> ình 4. nh ng y ng C </b></i>
h c h ch ng n hu n
OMP [10 Ch IM(Structural
SIMilarity) [12 c ch n nh g
nh ng Ch n y n ng ạn 0
g IM c ng n h ng ng
c u c g h nh c ng n. Ph ng ph p
c ch ng c nh c c ph ng
ph p ph ng ph p N M Wiener [4],
TGV [11]. ính n IM ch ng
ng ch ng nh ính IM ng
c ch
ng y ph n ng c c u
h c ngh ch ng .
<b>CT </b> <b>WN </b> <b>NLM </b> <b>TGV </b> <b> </b>
<b> u t </b>
Ph
10 <b>0.8758 0.9300 0.9035 0.9227 </b>
20 <b>0.7493 0.8458 0.8681 0.8835 </b>
30 <b>0.6364 0.7590 0.6145 0.8445 </b>
u n u ng ng ễ ng nh n
h y h u h ch IM ph ng
ph p c ch ng c h n IM c c c
ph ng ph p h c c c
nh ễu c ng c ph ng ph p c ch ng
c ng h u u u n y c ng ph n
n ch ng ph ng ph p c ch ng
n c u c nh h n.
nh g nh ính ch ng
ng n y u h nh ễu nh CT
ng ph ng ng h p c nh ễu ng
ng = 20.
<i><b> ình 5a. nh nhi u c </b></i> = 20
<i><b> ình 5b. Wiener </b></i>
<i><b> ình 5c. NLM</b></i>
<i><b> ình 5e. nh g c </b></i>
<i><b> ình 5f. hư ng há ề u </b></i>
u n c c nh u ph ng ph p c
ch ng c c ph ng ph p h c ng
u ch ph ng ph p c ch ng
u n c c c ch nh h n
<b> c c ph ng ph p c n ạ . </b>
KẾT U N
Trong n y ch ng h c h n h
nh ễu nh CT ng c h p u ễn
h ạng n n nh n ạ c ng
h nh ph n n ung nh h nh ph n
n c c nh nh ng h nh ph n n y
ch nh u h ng n c u c c c ch
nh c nh K u h c ngh ch
h y ph ng ph p c ch ng h nh ễu
h u u ng h n c c c ch
nh h n ph ng ph p T ng
ng ch ng n h nh h ngh nh
g c u ph ng ph h n n
c c c u c ạng n - n nh n ạ h c ng
h h nh h ng c c c c
h n u c ph ng ph p.
n ph m c tài có mã s
<b>T2016-07-23 </b> c tài tr b i kinh phí c a
ng ại h c Công ngh Thông tin và
Truy n thông - HTN Nh c g ch n
h nh c n c u T ng.
TÀI IỆU THAM KH O
1. H. Lu, I.-T H n Z ng “N
properties of low-dose CT projections and noise
<i> n y c n f n ” n Nuclear Science </i>
<i>Symposium Conference Record, vol. 3, 2001, pp. 1662–</i>
<b>1666. </b>
2. L. Yu, X. Liu, S. Leng, J. M. Kofler, J. C.
Ramirez-Giraldo, M. Qu, J. Christner, J. G. Fletcher, and C. H.
McCollough, (2009) “R n uc n n
c pu g phy chn u n fu u p p c ”
<i><b>Imaging in Medicine, vol. 1, no. 1, pp. 65–84. </b></i>
3. A. Buades, B. Coll, and J.-M M “A f
<i>image denoising g h h n n ” SIAM </i>
<i>Journal on Multiscale Modeling and Simulation, vol. 4, </i>
<b>no. 2, pp. 490–530, 2005. </b>
<i>4. J. S. Lim, (1990) Two-Dimensional Signal and </i>
<i>Image Processing. Upper Saddle River, NJ, USA: </i>
<b>Prentice-Hall, Inc. </b>
5. D. H. Trinh, M. Luong, J.-M. Rocchisani, C. D.
Pham, H. D. Pham, and F. Dibos, (2012) “An p
<i> gh h f CT g n ng ” Journal of </i>
<i>Electronic Science and Technology, vol. 10, no. 2, pp. </i>
<b>124–129. </b>
6. D. H. Trinh, M. Luong, J.-M. Rocchisani, C. D.
Pham, and F. Dibos, (2011) “M c g n ng
<i>using ke n g g n ” n 18thIEEE Int. Conf. on </i>
<i><b>Image Processing (ICIP). IEEE, pp. 1597–1600. </b></i>
7. D. H. Trinh, M. Luong, F. Dibos, J.-M. Rocchisani,
C. D. Pham, and T. Q. Nguyen, (2014) “N p
-based method for super-resolution and denoising of
<i>medic g ” IEEE Transactions on Image </i>
<i><b>Processing, vol. 23, no. 4, pp. 1882–1895. </b></i>
8. D. H. Trinh, N. Linh-Trung, and T.-T. Nguyen,
(2014) “An ff c p n ng h
<i>f c g u ng n f ” n IEEE Int. </i>
<i>Conf. on Advanced Technologies for Communications. </i>
<b>IEEE, pp. 355–359. </b>
9. H.B. Demuth and M. Beale, Neural Network
Design, PWS Publishing company, 1996
10. Y. C. Pati, R. Rezaiifar, Y. C. P. R. Rezaiifar, and P.
K hn p “O h g n ch ng pu u
Recursive function approximation with applications to
<i> c p n ” n Proceedings of the 27 th </i>
<i>Annual Asilomar Conference on Signals, Systems, and </i>
<i>Computers, 1993, pp. 40–44 </i>
11. K. Bredies, K. Kunisch, and T. Pock, (2010) “T
<i>g n z n ” SIAM J. on Imaging Sciences, </i>
vol. 3, no. 3, pp. 492–526,.
12. Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P.
Simoncelli, (2004) “I g quality assessment: from
<i> y uc u y ” IEEE </i>
<i>Transactions on Image Processing, vol. 13, no. 4, pp. </i>
600–612, Apr.
13. />
SUMMARY
<b>APPLY ARTIFICIAL NEURAL NETWORK TO DENOISE CT IMAGE </b>
<b>Nguyen Thanh Trung*, Pham Thi Huong </b>
<i>College of Information and Communication Technology - TNU </i>
In this paper, we propose an efficient denoising method for CT image. In our work, an image is
decomposed to three frequency bands, namely low- band, mid- band and high-band.
Thus denoising can be performed by getting these frequency bands. The mid-band is estimated
based on sparse representation, and then the high-band is estimated by applying artificial neural
network. The estimating uses database constructed from standard sample images that similar but
not identical the input image. The experiment results show that our method is better than some
<b>other state-of-the-art methods both in subjective and objective comparison. </b>
<i><b>Keyworks: denoise, sparse representation, artificial neural network, Computed Tomography, X ray</b></i>
<i> </i>
*