低剂量CT图像去噪：非下采样Contourlet与改进HMT方法

"本文介绍了一种在非下采样Contourlet域中基于改进隐马尔可夫树的低剂量CT图像去噪方法。通过使用NSCT变换，图像被分解为多个具有平移不变性的尺度和方向子带，然后利用改进的HMT模型对噪声进行统计建模，通过EM算法优化概率转移矩阵。最后，应用Bayes MAP估计器去除噪声，提高图像的PSNR和细节清晰度。与传统的小波HMT去噪和Contourlet软阈值去噪方法相比，该方法在噪声估计和图像质量方面表现出优越性能。" 正文: 低剂量CT图像去噪是医学成像领域的重要研究课题，由于降低辐射剂量可以减少对人体的伤害，但同时会导致图像噪声增加，影响诊断效果。非下采样Contourlet变换（NSCT）是一种多尺度、多方向的图像分析工具，具有平移不变性和良好的方向选择性，适合处理具有复杂结构的图像，如医学CT图像。 本文提出的去噪方法首先利用NSCT将CT图像分解为多个子带，每个子带包含特定尺度和方向的信息。针对CT图像中的噪声特性，引入了改进的隐马尔可夫树（HMT）模型。传统的HMT模型用于建模图像子带系数之间的依赖关系，而改进版则通过预设统计参数加速了概率转移矩阵的构建，这使得模型能够更准确地捕捉噪声的统计特性。 在模型建立后，期望最大（EM）算法被用于训练，以估计每个子带系数的边缘概率密度。EM算法是一种迭代方法，能有效处理缺失数据问题，在此情境中用于优化HMT模型的参数，从而更精确地估计噪声。 接下来，Bayes最大后验概率（MAP）估计器被设计用于噪声建模和滤除。MAP估计是一种统计推断方法，它结合先验知识和观测数据来估计参数，这里用于确定每个子带系数的最优去噪值，旨在保留图像的有用信息，同时消除噪声。 实验结果表明，这种方法相较于其他去噪方法，如小波HMT去噪和Contourlet软阈值去噪，能够显著提高噪声估计的准确性，增强图像的峰值信噪比（PSNR），并保持图像的细节清晰度。这表明，该方法在实际应用中可能有助于提升低剂量CT图像的诊断价值，对于临床医生识别病灶和进行早期疾病检测具有重要意义。 非下采样Contourlet域中的改进HMT模型为低剂量CT图像去噪提供了一种有效的解决方案，它结合了多尺度分析、统计建模和优化算法，以改善图像质量，确保在降低辐射剂量的同时保持良好的成像效果。这种技术的发展对于推动医疗成像技术的进步和保障患者健康具有积极的贡献。