كاهش نويز تصاوير سي‌تي با اشعه‌ي مخروطي با استفاده از تحليل مولفه‌هاي مستقل

Noise Reduction in Cone Beam Computed Tomography Images using Independent Component Analysis

حذف نويز يكي از مهم ­ترين مراحل در پردازش تصاوير ديجيتال است. امروزه از تصاوير سي­تي با اشعه ­ي مخروطي به صورت گسترده در تصويربرداري از ناحيه­ ي فك و صورت استفاده مي­ شود. اين تصاوير به دليل الگوريتم بازسازي متفاوت و اعمال دوز بسيار كم در مقايسه با سي­تي، داراي نويز و آرتيفكت­ هاي مختلف هستند. از اين رو، استفاده از روش ­هاي كاهش نويز در اين تصاوير براي افزايش نسبت سيگنال به نويز در آن­ها ضروري مي‌باشد. در اين مقاله از روش تحليل مولفه­ هاي مستقل (ICA) به منظور جداسازي نويز از تصاوير سي­تي با اشعه­ ي مخروطي استفاده شده و سه الگوريتم مختلف NG-FICA، ERICA و FastICA مورد بررسي قرار گرفته است. هم‌چنين از دو روش قدرتمند كاهش نويز ديگر، آستانه­ گذاري تبديل موجك گسسته‌ي دوبعدي و فيلتر انتشار ناهمسان‌گرد بهينه، براي مقايسه ­ي نتايج استفاده شده است. روش پيشنهادي روي 12 تصوير مختلف در حضور دو نويز گوسي و اسپكل بررسي شده و نتايج به دست آمده با استفاده از معيارهاي زمان پردازش، PSNR، MSE و SSIM مورد ارزيابي قرار گرفته است. نتايج نشان­ مي‌دهد كه روش‌هاي ICA نسبت به ساير روش­هاي حذف نويز عمل‌كرد بهتري در جداسازي نويز از تصاوير سي­تي با اشعه­ ي مخروطي داشته و از ميان سه الگوريتم مورد بررسي، الگوريتم NG-FICA از نظر زماني،حفظ كيفيت تصوير و كاهش نويز، عمل‌كرد بهتري داشته است.

Noise removal is one of the most important steps in digital image processing. Cone beam computed tomography (CBCT) is increasingly utilized in maxillofacial and dental imaging. Compared to conventional CT, CBCT images have diffrent noise and artifacts due to much less applied dose and their reconstruction algorithm. Therefore, the use of noise reduction techniques in these images is necessary to increase the signal-to-noise ratio. In this paper, the independent component analysis (ICA) method has been used to seperate noise from CBCT images and three different ICA algorithms, NG-FICA, ERICA and FastICA were investigated. In addition, two powerful noise reduction method, 2D discrete wavelet thresholding and optimized anisotropic diffusion filter is used to evaluate the results. Our proposed method has been validated on 12 different images in the presence of Gaussian and Spectral noise and the results are evaluated using processing time criteria, PSNR, MSE and SSIM. The results show that the ICA methods have advantage in noise reduction from CBCT images compared to the other noise reduction methods and among the three studied ICA algorithms, the NG-FICA algorithm has better performance in terms of processing time, preserving image quality and noise reduction.