自适应泊松噪声去除：基于剪切波的CT图像降噪新方法

"本文介绍了一种基于Shearlet的自适应泊松噪声降噪方法，应用于低剂量CT图像，以改善图像质量。该方法通过剪切波的多重方差稳定变换将泊松噪声转化为高斯噪声，然后利用相邻小波系数的相关性进行去噪，采用最大后验估计确定非噪声系数位置，再通过混合梯度下降法迭代重建图像。这种方法在提高SNR和MSSIM方面表现出色，优于传统的小波去噪技术。" 详细说明: 在医疗成像领域，尤其是在低剂量CT（Computed Tomography）扫描中，由于辐射剂量降低，图像往往会受到泊松噪声的影响，降低图像质量和诊断准确性。针对这一问题，研究者提出了一种基于Shearlet变换的自适应降噪方法，旨在有效地去除泊松噪声。 Shearlet变换是一种多分辨率分析工具，它扩展了传统的小波分析，具有更好的方向敏感性和稀疏表示能力，尤其适合处理具有复杂几何结构的图像。在本文的方法中，首先应用Shearlet的变种——剪切波的多重方差稳定变换（SMVST），将泊松噪声转换为更易于处理的近似高斯噪声。这种变换可以稳定噪声的方差，使得后续处理更加有效。 接下来，算法利用小波系数的相邻性来识别噪声。假设图像的剪切波系数遵循拉普拉斯先验分布，通过最大后验估计（MAP）来估计哪些系数是非噪声的。这种方法允许算法自适应地调整阈值，从而更准确地分离噪声和信号。 在确定了非噪声系数的位置后，算法采用混合梯度下降（HGD）策略进行迭代图像重构。混合梯度下降法结合了不同的优化策略，以更高效地逼近噪声去除的最优解。这种方法有助于提高去噪过程的精度，同时减少对图像细节的损失。 实验结果显示，与现有的基于Shearlet或其他小波的去噪方法相比，本文提出的算法在多个低剂量CT图像上进行了测试，平均提高了6%的信噪比（SNR）和2%的均值结构相似度（MSSIM）。这些提升表明，新方法在视觉效果和定量评估上均有显著优势，对于改善低剂量CT图像的质量具有重要意义。 此外，本文的研究得到了多项科研基金的支持，包括国家自然科学基金和郑州市的科技创新项目，体现了其在学术界和实际应用中的重要性。论文的第一作者张云逸和通讯作者蒋慧琴专注于医学图像去噪领域的研究，他们的工作为提高医疗成像质量提供了新的技术途径。