Shearlet变换在低剂量CT图像量子噪声消除中的应用

"本文提出了一种基于Shearlet变换的低剂量CT图像量子噪声消除算法，结合了安斯科姆变换（VST），旨在改善低剂量CT扫描图像的质量。通过模拟量子噪声的泊松过程，使用VST转换来稳定噪声，并使其接近高斯分布。然后在Shearlet域中采用自适应硬阈值策略处理，分离并消除噪声系数。最后，应用逆Shearlet变换和安斯科姆逆变换恢复和增强图像细节，尤其适用于临床应用。实验证明，该方法能有效减少量子噪声并保持图像细节。" 在低剂量CT成像技术中，由于辐射剂量的降低，图像质量通常会受到量子噪声的严重影响。量子噪声主要由X射线检测器的统计波动引起，特别是在低剂量条件下，这种现象更为突出。为了克服这一问题，本研究引入了一种创新的噪声消除策略。首先，文章使用安斯科姆变换对原始图像进行处理，该变换能够将泊松分布的量子噪声转化为近似高斯噪声，使得噪声处理变得更加简单。 接下来，研究的关键在于Shearlet变换的应用。Shearlet是一种多分辨率分析工具，特别适合于处理具有各向异性特征的图像，如边缘和曲线。通过在Shearlet域进行自适应硬阈值处理，可以选择性地保留图像的结构信息（即边缘和细节），而去除噪声。这种方法的优势在于能够区分高频噪声和图像的高频特征，从而实现精确的噪声抑制。 在噪声系数被清除后，利用逆Shearlet变换恢复图像结构。这一步骤确保了图像的几何信息得以保留，同时噪声得到了有效控制。最后，通过安斯科姆逆变换将处理过的图像还原回其原始分布形式，进一步优化图像质量，使图像的细微细节得到增强。 实验部分，研究人员使用一系列低剂量CT图像来验证提出的算法。定量分析（如信噪比和对比度度量）和视觉评估都证实了该方法在去除量子噪声的同时，能够保持或提升图像的视觉质量和细节保真度。这使得该算法在实际临床应用中具有很大的潜力，尤其是在需要低剂量成像但又要求高质量图像的情况下。 这项工作成功地将Shearlet变换和安斯科姆变换结合起来，提供了一个强大的低剂量CT图像噪声消除工具。该算法的有效性和实用性为未来在医学成像领域的应用铺平了道路，有望在减少辐射剂量的同时，提高诊断的准确性和可靠性。