Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Siêu Phân Giải Thông Qua Đại Diện Thưa Cho Ảnh Chụp X-quang Liều Thấp
Tóm tắt
Hình ảnh chẩn đoán y tế đã mang lại những lợi ích to lớn trong việc phát hiện sớm cũng như các tác dụng phụ tiềm ẩn của các bệnh di truyền do bức xạ. Phân tích siêu phân giải được chứng minh là một phương pháp quan trọng để duy trì việc giảm liều bức xạ và chất lượng hình ảnh. Nhờ vào nghiên cứu rộng rãi về cảm biến nén, đại diện thưa đã được áp dụng tốt trong siêu phân giải. Đã có sự công nhận rộng rãi rằng các phương pháp siêu phân giải dựa trên học máy (SR) là hiệu quả để tạo ra hình ảnh có độ phân giải cao (HR) từ một đầu vào độ phân giải thấp (LR) đơn lẻ. Bài báo này trình bày một phương pháp mới cho siêu phân giải hình ảnh đơn trong lĩnh vực chụp ảnh X-quang: 1) Một phương pháp học từ điển mới nhằm cải thiện sự tương đồng của các đại diện thưa giữa các cặp khối LR và HR thông qua việc đào tạo đồng thời hai từ điển sử dụng lý thuyết PCA được đề xuất. 2) Đối với mỗi vùng LR đầu vào cho trước, tìm sub-dictionary phù hợp nhất trong từ điển độ phân giải thấp. 3) Lấy sub-dictionary độ phân giải cao tương ứng và giải quyết vấn đề siêu phân giải không xác định thông qua thuật toán lặp và tạo ra các khối HR. Các đánh giá toàn diện được thực hiện để chứng minh rằng các phương pháp được đề xuất có thể cải thiện đáng kể hiệu suất tái cấu trúc trong các trường hợp mà chúng tôi đã chọn. Tuy nhiên, không có bằng chứng cho thấy điều này là đúng với tất cả các loại cấu trúc.
Từ khóa
#siêu phân giải #ảnh chụp X-quang #đại diện thưa #liều bức xạ thấp #học từ điểnTài liệu tham khảo
Acciavatti, R.J., & Maidment, A.D. (2012). Observation of super-resolution in digital breast tomosynthesis. Medical Physics, 39(12), 7518–7539. doi:10.1118/1.4757583.
Aharon, M., Elad, M., & Bruckstein, A. (2006). K-svd: An algorithm for designing overcomplete dictionaries for sparse representation. IEEE Transactions ON Signal Processing, 54 (11), 4311. doi:10.1109/TSP.2006.881199.
Chang, G., Pan, T., Clark Jr, J.W., & Mawlawi, O.R. (2008). Optimization of super-resolution processing using incomplete image sets in pet imaging. Medical Physics, 35(12), 5748–5757. doi:10.1118/1.3021117.
Chang, H., Yeung, D.Y., & Xiong, Y. (2004). Super-resolution through neighbor embedding. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), vol. 1, pp. 1–8. doi:10.1109/CVPR.2004.1315043.
Chantas, G.K., Galatsanos, N.P., & Woods, N.A. (2007). Super-resolution based on fast registration and maximum a posteriori reconstruction. IEEE Transactions on Image Processing, 16 (7), 1821–1830. doi:10.1109/TIP.2007.896664.
Dong, W., Zhang, D., Shi, G., & Wu, X. (2011). Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization. IEEE Transactions on Image Processing, 20(7), 1838–1857. doi:10.1109/TIP.2011.2108306.
Freeman, W.T., Jones, T.R., & Pasztor, E.C. (2002). Example-based super-resolution. IEEE Computer Graphics and Applications, 22(2), 56–65. doi:10.1109/38.988747.
Freeman, W.T., Pasztor, E.C., & Carmichael, O.T. (2000). Learning low-level vision. International Journal of Computer Vision, 40(1), 25–47. doi:10.1023/A:1026501619075.
Gevrekci, M., Gunturk, B.K., & Altunbasak, Y. (2007). Pocs-based restoration of bayer-sampled image sequences. In IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), vol. 1, pp. 753–756. doi:10.1109/ICASSP.2007.366017.
de González, A.B., & Darby, S. (2004). Risk of cancer from diagnostic x-rays: estimates for the uk and 14 other countries. The Lancet, 363(9406), 345–351. doi:10.1016/S0140-6736(04)15433-0.
Hsieh, J. (1998). Adaptive streak artifact reduction in computed tomography resulting from excessive x-ray photon noise. Medical Physics, 25(11), 2139–2147. doi:10.1118/1.598410.
Li, X., & Orchard, M.T. (2001). New edge-directed interpolation. IEEE Transactions on Image Processing, 10(10), 1521–1527. doi:10.1109/83.951537.
Momose, A., Takeda, T., Itai, Y., & Hirano, K. (1996). Phase-contrast x-ray computed tomography for observing biological soft tissues. Nature Medicine, 2, 473–475. doi:10.1038/nm0496-473.
Scherrer, B., Gholipour, A., & Warfield, S.K. (2012). Super-resolution reconstruction of diffusion-weighted images from distortion compensated orthogonal anisotropic acquisitions. In Mathematical Methods in Biomedical Image Analysis (MMBIA), 2012 IEEE Workshop on, pp. 249–254. doi:10.1109/MMBIA.2012.6164759.
Trinh, D.H., Luong, M., Dibos, F., Rocchisani, J., Pham, C., & Nguyen, T.Q. (2014). Novel example-based method for super-resolution and denoising of medical images. IEEE Transactions on Image Processing, 23(4), 1882–1895. doi:10.1109/TIP.2014.2308422.
Tropp, J.A., & Wright, S.J. (2010). Computational methods for sparse solution of linear inverse problems. Proceedings of the IEEE, 98(6), 948–958. doi:10.1109/JPROC.2010.2044010.
Wall, B., & Hart, D. (1997). Revised radiation doses for typical x-ray examinations. report on a recent review of doses to patients from medical x-ray examinations in the uk by nrpb. national radiological protection board. The British Journal of Radiology, 70(833), 437–439. doi:10.1259/bjr.70.833.9227222.
Wang, Y.H., Qiao, J., Li, J.B., Fu, P., Chu, S.C., & Roddick, J.F. (2014). Sparse representation-based mri super-resolution reconstruction. Measurement, 47, 946–953. doi:10.1016/j.measurement.2013.10.026.
Xu, Q., Yu, H., Mou, X., Zhang, L., Hsieh, J., & Wang, G. (2012). Low-dose x-ray ct reconstruction via dictionary learning. IEEE Transactions on Medical Imaging, 31(9), 1682–1697. doi:10.1109/TMI.2012.2195669.
Yang, J., Wang, Z., Lin, Z., Cohen, S., & Huang, T. (2012). Coupled dictionary training for image super-resolution. IEEE Transactions on Image Processing, 21(8), 3467–3478. doi:10.1109/TIP.2012.2192127.
Yang, J., Wright, J., Huang, T.S., & Ma, Y. (2010). Image super-resolution via sparse representation. IEEE Transactions on Image Processing, 19(11), 2861–2873. doi:10.1109/TIP.2010.2050625.
Yin, W., Osher, S., Goldfarb, D., & Darbon, J. (2008). Bregman iterative algorithms for ∖ell_1-minimization with applications to compressed sensing. SIAM Journal on Imaging Sciences, 1 (1), 143–168. doi:10.1137/070703983.
Yu, S., Zhang, R., Wu, S., Hu, J., Xie, Y., & et al. (2013). An edge-directed interpolation method for fetal spine mr images. Biomedical Engineering Online, 12(1), 102. doi:10.1186/1475-925X-12-102.
Yuan, Q., Zhang, L., & Shen, H. (2013). Regional spatially adaptive total variation super-resolution with spatial information filtering and clustering. IEEE Transactions on Image Processing, 22(6), 2327–2342. doi:10.1109/TIP.2013.2251648.