Wavelet-Domain Medical Image Denoising Using Bivariate Laplacian Mixture Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we proposed novel noise reduction algorithms that can be used to enhance image quality in various medical imaging modalities such as magnetic resonance and multidetector computed tomography. The noisy captured 3-D data are first transformed by discrete complex wavelet transform. Using a nonlinear function, we model the data as the sum of the clean data plus additive Gaussian or Rayleigh noise. We use a mixture of bivariate Laplacian probability density functions for the clean data in the transformed domain. The MAP and minimum mean-squared error (MMSE) estimators allow us to efficiently reduce the noise. The employed prior distribution is mixture and bivariate, and thus accurately characterizes the heavy-tail distribution of clean images and exploits the interscale properties of wavelets coefficients. In addition, we estimate the parameters of the model using local information; as a result, the proposed denoising algorithms are spatially adaptive, i.e., the intrascale dependency of wavelets is also well exploited in the enhancement process. The proposed approach results in significant noise reduction while the introduced distortions are not noticeable as a result of accurate statistical modeling. The obtained shrinkage functions have closed form, are simple in implementation, and efficiently enhances data. Our experiments on CT images show that among our derived shrinkage functions usually BiLapGausMAP produces images with higher peak SNR. However, BiLapGausMMSE is preferred especially for CT images, which have high SNRs. Furthermore, BiLapRayMAP yields better noise reduction performance for low SNR MR datasets such as high-resolution whole heart imaging while BiLapGauMAP results in better performance in MR data with higher intrinsic SNR such as functional cine data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle