PET/CT医学图像去噪新方法：结合解剖信息的AMNLM算法

"2012年清华大学学报中关于PET/CT医学图像去噪方法的研究" 在医学成像领域，特别是在正电子发射断层扫描/计算机断层扫描（PET/CT）技术中，图像质量受到噪声的严重影响。由于光子探测的限制，噪声元素会在最大似然期望最大化（MLEM）重建过程中加剧图像特征的明暗度变化，这对诊断和分析带来挑战。针对这一问题，研究者提出了一种基于解剖结构信息的中值非局部平均算法（AMNLM），这是一种对低信噪比图像去噪效果显著的非局部平均算法（NLМ）的改进版。 NLМ算法是一种广泛应用的图像去噪技术，它利用图像块之间的相似性来平滑图像，同时尽可能保留边缘和细节。然而，对于包含解剖结构信息的医学图像，单纯依赖像素相似性的NLМ可能无法达到最佳去噪效果。AMNLM算法则引入了解剖结构信息，使去噪过程更加精确地考虑了图像的局部结构，因此在保持图像细节的同时，能更有效地去除噪声。 在临床肺部病变患者的PET/CT图像分析中，研究人员比较了AMNLM算法与中值滤波、小波滤波以及传统NLМ方法的效果。经过参数反演，结果显示AMNLM在视觉评估、病变对比度和噪声抑制之间取得了更好的平衡。这意味着AMNLM不仅提高了图像的清晰度，还增强了病灶的识别能力，进一步证实了该算法的有效性和实用性。 关键词：医学图像去噪，PET/CT，非局部平均算法。这一研究的贡献在于提供了一种新的、更适应医学图像特性的去噪策略，对于提升PET/CT图像的诊断质量和医生的分析效率具有重要意义。该方法的应用有望在未来改善医疗影像的处理流程，提升临床诊断的准确性和效率。