2、基于卷积神经网络的左心室磁共振图像去噪研究

基于卷积神经网络的左心室磁共振图像去噪研究

1. 医学图像分析背景

医学图像分析在医疗系统中对于疾病的早期检测和诊断至关重要。常见的医学成像工具包括计算机断层扫描（CT）、超声（US）、正电子发射断层扫描（PET）和磁共振成像（MRI）。其中，MRI 因其相较于其他成像技术的优势，在临床成像中得到广泛应用。它通过结合多个脉冲序列利用对比度来创建诊断图像，还具有强磁场、成像平面和维度等独特参数。心脏 MRI 是估计心肌质量、心室容积、每搏输出量和射血分数等临床参数的有效技术之一。

然而，由于成像条件和患者个体差异，医学图像质量往往受到噪声影响，导致分辨率降低。因此，提高图像质量对于疾病检测和预测，尤其是心血管疾病的早期阶段，至关重要。医学成像中主要涉及两个重要方面：基于算法创建物体 2D 和 3D 图像的图像重建，以及使用算法改善图像质量、去除噪声和检测感兴趣区域（ROIs）的图像预处理。

目前，文献中提出了多种 MRI 图像去噪方法，包括空间域方法、统计技术、变换域方法和滤波技术等。传统的去噪方法如块匹配 3D（BM3D）滤波器，以及在此基础上扩展到体积数据的 BM4D 技术，但它们都无法应用于不同的图像内容。近年来，一些基于神经网络的新型学习方法被提出以克服这一限制，如卷积去噪自动编码器（CNN - DAE）、深度卷积神经网络的残差学习（DnCNN）和生成对抗网络（GAN）等，在医学图像去噪方面显示出了良好的效果。

2. 卷积神经网络去噪 MRI 图像

在医学图像分析领域，去噪工作具有重要意义，它有助于提高图像分割和分类的准确性。MRI 图像中最常见的噪声类型是莱斯噪声和高斯噪声。一个有效的 MR 图像去噪算法应在最小化噪声的同时保留