SỬ DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG VIỆC KHỬ NHIỄU ẢNH CT

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 [r]

-

guyễn hành rung * h h ng

Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên

TÓM 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

ừ khóa: h nhi u nh ạng n -r n nh n ạ i u i n hư nh ch c , tia X

GIỚI THIỆU*

Kỹ hu h nh nh CT (Computed

tomography) 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

n c g chính c ng c

ch n n nh

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

*

Tel: 0987 843338, Email: nttrungktmt@ictu.edu.vn

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

nh nh nh ng ng ng nh

nh ng ạ c c c u c n c c ch

nh

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

Ch h n ạ c ph ng ph p h

nh ễu ch ng n c n nh ng ch

nh [5], [6], [7], [8] n cạnh c c hạn

ch ph c ạp ính n y u c u ch

ch ng y ng c u nh ng

ph ng ph p n y ch u y n ng

Ch ng u ph ng ph p h

nh ễu ng nh c h nh ễu n

c h nh ễu ng h nh ph n n

h p c ng u ễn h ạng n - n nh n ạ T ng ch ng

ch nh u h nh c c h nh ph n n

h p ung nh c n h nh c ng

ng h nh ph n n y Th nh ph n n h p

c y nh nh ễu ng c h ng

h p G u n h nh ph n n ung nh

c c ng ng c ch ng u ễn

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

cao: (P m , P h 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

ô hình của ảnh nhiễu

Nh ễu ng nh CT c ch ng nh c

h p ng ph n Gaussian [1] D

y n u g Y nh nh ễu h c :

Y = X +  (1)

ng X nh h ng nh ễu c n c

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

hân tách ảnh

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

Y l = LPF(Y) (2)

Y m = BPF(Y) (3)

Y h = Y - Y m - Y l (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

nh h nh c c h nh ph n n Y l

, Y m , Y h

ình 1 h n ách nh hành các hành h n n h rung nh, cao

t ng h ng há

c h nh ễu nh h c ch c c ng X Y ng h nh (1) c ch ph n ch

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

ng ng h nh ph n n c nh u g huy nh ễu ch y u p ung Y m

, Y h

í p ung Y l n n ch ng p ung c h nh ễu Y m Y h h c ch h c h n c

ng Xm Xh Y h c c u c ạ nh ng nh ch ng

c nh h ng nh ễu c ch p c n n y, k u c nh u u h h nh ễu :

(5)

c ng X m

, X h c nh u c ch ng ph ng ph p MR D 8 X m

= Y m và X h 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

chúng tôi, X m c c ng n u ễn h ng u n y c ng Xh

h ng u ạng n n nh n ạ Ph ng ph p g c c c c u:

B ớc 1 y ng c u

B ớc 2 Ư c ng h nh ph n n ung nh

B ớc 3: Ư c ng h nh ph n n c

B ớc 4 T ng h p nh u a

ội dung h ng há

B ớc 1: Xây dựng c s dữ liệu

ạ nh nh ễu u ch ng ch n c c nh ng nh nh nh ễu ch p nh ng

í g n í nh nh ễu Nh ng nh n y c nh chu n h ng nh ễu u , chúng

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

h nh n n c u P m , P h) 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

c ng X m X h c nh u Y m c

nh nh ễu

B ớc 2: Ước l ợng X m

c c h c h n h ng ng

nh ngh ng ng ng ng

ng trong Y m c h nh u:

nh nh ễu c ph n ch h nh c c

h nh ph n n h p ung nh c

Th nh ph n n ung nh c ch h nh

c c p M ng g nh u …M

C c ng c ích h c ng ích h c

c ng ng c u

ng c u

con K n c n g n nh c ) trong

P m u c ính h ng u u ễn

h c h nh u:

(6)

ng :

(7)

c Gh p c c ng …M

nh u hu c

B ớc 3: Ước l ợng X h

c c ng h nh ph n n c Xh

c ng c h c h n h ng ng nh

Ch ng ng ạng n - n p uy n

hẳng M P [9], [13] c ng ng ng

nh c c c uy

nh nh u:

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

ình 2 C u r c chung c ạng

C u ng ng c hu n uy n

ạng (P m , P h 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 ớc 4: ng hợ ảnh u ra

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

nh g h u u c ph ng ph p ch ng

n h nh h c ngh n nh CT

ng ph h nh T ng h c ngh n y

nh nh ễu c ạ ng c ch c ng n

ng u nh n G u n nh g c nh

h ng nh ễu) C c c nh ễu c ch n

g  n 0 0 0 Nh u ạ ích h c ng h c nh u c h p

h h c ngh : 9x9, 11x11, 13x13, 15x15, 17x17

Mạng M P h nh 2) c ch n c u

c p ng u u c ạng

c ch n h ích h c ng nh

Nh u h h c nh u n n n

ạ h ích h ạ c h p ch c

hu n uy n ạng

ình 3 nh CT v ng h i hông nhi u

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

ình 4 nh ng y ng C

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

https://ece.uwaterloo.ca/~z70wang/research/ssim/

ng y ph n ng c c u

h c ngh ch ng

u t

Ph

10 0.8758 0.9300 0.9035 0.9227

20 0.7493 0.8458 0.8681 0.8835

30 0.6364 0.7590 0.6145 0.8445

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

ình 5a nh nhi u c  = 20

ình 5b Wiener

ình 5c NLM

ình 5d TGV

ình 5e nh g c

ình 5f hư ng há ề u

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

c c ph ng ph p c n ạ

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

T2016-07-23 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

n y c n f n ” n Nuclear Science Symposium Conference Record, vol 3, 2001, pp 1662–

1666

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 ”

Imaging in Medicine, vol 1, no 1, pp 65–84

3 A Buades, B Coll, and J.-M M “A f

image denoising g h h n n ” SIAM Journal on Multiscale Modeling and Simulation, vol 4,

no 2, pp 490–530, 2005

4 J S Lim, (1990) Two-Dimensional Signal and Image Processing Upper Saddle River, NJ, USA:

Prentice-Hall, Inc

5 D H Trinh, M Luong, J.-M Rocchisani, C D Pham, H D Pham, and F Dibos, (2012) “An p

gh h f CT g n ng ” Journal of Electronic Science and Technology, vol 10, no 2, pp

124–129

6 D H Trinh, M Luong, J.-M Rocchisani, C D Pham, and F Dibos, (2011) “M c g n ng

using ke n g g n ” n 18 th IEEE Int Conf on

Image Processing (ICIP) IEEE, pp 1597–1600

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

medic g ” IEEE Transactions on Image

Processing, vol 23, no 4, pp 1882–1895

8 D H Trinh, N Linh-Trung, and T.-T Nguyen, (2014) “An ff c p n ng h

f c g u ng n f ” n IEEE Int Conf on Advanced Technologies for Communications

IEEE, pp 355–359

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

c p n ” n Proceedings of the 27 th Annual Asilomar Conference on Signals, Systems, and Computers, 1993, pp 40–44

11 K Bredies, K Kunisch, and T Pock, (2010) “T

g n z n ” SIAM J on Imaging Sciences,

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

y uc u y ” IEEE Transactions on Image Processing, vol 13, no 4, pp

600–612, Apr

13 https://www.mathworks.com/matlabcentral/fileexch

ange/2654-netlab?requestedDomain=www.mathworks.com

SUMMARY

APPLY ARTIFICIAL NEURAL NETWORK TO DENOISE CT IMAGE

Nguyen Thanh Trung * , Pham Thi Huong

College of Information and Communication Technology - TNU

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

other state-of-the-art methods both in subjective and objective comparison

Keyworks: denoise, sparse representation, artificial neural network, Computed Tomography, X ray

*

Tel: 0987 843338, Email: nttrungktmt@ictu.edu.vn