The aim of this study is the development of a statistical denoising method, to reduce noise in scintigraphic images, preserving image quality characteristics such as contrast, and resolution. The method is based on principal component analysis (PCA) reduces the volume of image data, preserving a large amount of useful information, by considering that a small number of independent image components contain useful information (signal), whereas a large number of independent components contain statistical noise. Therefore, applying PCA and discarding the image components, which correspond to noise, noise reduction can be achieved.
PCA is a multivariate correlation analysis technique which explains algebraically a variance-covariance structure of observed data sets with a few linear combinations of original variables [28-30]. The motivation behind PCA is to find a direction, or a few directions, that explain as much of the variability as possible. This is achieved because each direction is associated with a linear sum of the variables, which are linear sums of the initial variables. Thus, the first principal component is the linear sum corresponding to the direction of greatest variability. The search for the second principal component is restricted to variables that are uncorrelated with the first principal component.
To assess the performance of the proposed denoising method was compared to four conventional noise reduction methods, employing quantitative image quality characteristics (noise and spatial resolution characteristics). Specifically, the linear filter (smooth 3x3 and smooth 5x5), and the non-linear filter (median 3x3 and median 5x5) were used. Additionally to demonstrate the applicability of the proposed method, it was applied to clinical planar scintigraphic images. / Ο όρος Πυρηνική Ιατρική περιγράφει τις διαγνωστικές και θεραπευτικές διαδικασίες, που απαιτούν την εισαγωγή ραδιοφαρμάκων στον οργανισμό. Οι απεικονιστικές τεχνικές της πυρηνικής ιατρικής αξιοποιούν το γεγονός ότι η ακτινοβολία των ραδιενεργών νουκλιδίων μπορεί να διαπεράσει τους ιστούς και να ανιχνευθεί εξωτερικά, καθιστώντας δυνατή τη μελέτη φυσιολογικών και βιοχημικών διαδικασιών εν εξελίξει σε ζωντανούς οργανισμούς.
Η απεικόνιση πυρηνικής ιατρικής χρησιμοποιείται ευρέως στην κλινική πράξη. Σε σύγκριση με άλλες απεικονιστικές τεχνικές έχει το πλεονέκτημα ότι μπορεί να δώσει ταυτόχρονα ανατομικές και λειτουργικές πληροφορίες. Το μειονέκτημα όμως των εικόνων πυρηνικής ιατρικής είναι ο πολύ χαμηλός λόγος σήματος-προς-θόρυβο (signal-to-noise ratio-SNR) σε σχέση με εικόνες άλλων απεικονιστικών τεχνικών.
Η εικόνα στην πυρηνική ιατρική αντιστοιχεί στην κατανομή ραδιενεργού υλικού μέσα στο σώμα του ασθενούς. Η τιμή κάθε pixel της εικόνας σχετίζεται με τον αριθμό των γ-φωτονίων που ανιχνεύονται σε μια περίοδο χρόνου. Οι τιμές αυτές ακολουθούν μια στατιστική κατανομή (κατανομή Poisson), λόγω της τυχαίας φύσης της διάσπασης του χορηγούμενου ραδιενεργού υλικού. Η διακύμανση μιας τυχαίας Poisson μεταβλητής ισούται με τη μέση τιμή της και συνεπώς για να μειωθεί η επίδραση του Poisson θορύβου, ο αριθμός των φωτονίων που ανιχνεύονται πρέπει να αυξηθεί. Αυτό μπορεί να επιτευχθεί με τρεις τρόπους. Πρώτον, με αύξηση του χρόνου καταγραφής, που συνεπάγεται όμως αυξημένο κίνδυνο μετακίνησης του ασθενή. Δεύτερον, με αύξηση της δόσης ραδιενεργού υλικού, που δίνεται στον ασθενή, κάτι που προφανώς είναι ανεπιθύμητο. Η τελευταία λύση είναι η χρήση γ-κάμερας με πολλαπλούς ανιχνευτές ή με πολύ ευαίσθητο ανιχνευτή, που συνεπάγεται αυξημένο κόστος και πολυπλοκότητα.
Για το λόγο αυτό, τεχνικές ψηφιακής επεξεργασίας για μείωση θορύβου εικόνας μπορούν να συνεισφέρουν σημαντικά στη βελτίωση της εικόνας στην πυρηνική ιατρική. Οι κλασικές τεχνικές μείωσης θορύβου κάνουν χρήση γραμμικών φίλτρων εξομάλυνσης (smoothing filters) για την αντικατάσταση της τιμής κάθε εικονοστοιχείου (pixel) με μια μέση τιμή ,η οποία προκύπτει από τη γειτονιά του. Τα φίλτρα αυτά όμως έχουν το μειονέκτημα ότι μειώνουν την αντίθεση και τη διακριτική
ικανότητα της εικόνας. Μη γραμμικά φίλτρα, όπως το median φίλτρο, διατηρούν σε πολλές περιπτώσεις την αντίθεση των δομών, αλλά επίσης υποβαθμίζουν την ποιότητα εικόνας. Ένας από τους λόγους, που οι συμβατικές τεχνικές δεν έχουν ικανοποιητικά αποτελέσματα είναι ότι δεν αντιμετωπίζουν το γεγονός ότι ο θόρυβος σε κάθε pixel εξαρτάται από την ένταση του σήματος (signal dependent noise). Για το λόγο αυτό έχουν προταθεί πρασαρμοζόμενα (adaptive) φίλτρα μείωσης θορύβου. Η κατηγορία των φίλτρων αυτών χρησιμοποιεί στατιστικά κριτήρια για την επιλογή των γειτονικών pixels, που χρησιμοποιούνται για τον υπολογισμό της τιμής του κεντρικού pixel.
Στη συγκεκριμένη διπλωματική εργασία υλοποιήθηκε μέθοδος μείωσης θορύβου, που βασίζεται στη Ανάλυση Κύριων Συνιστωσών (Principal Components Analysis, PCA), προσαρμοσμένη σε εικόνες πυρηνικής ιατρικής. Η μέθοδος αυτή στοχεύει στη μείωση του κβαντικού θορύβου Poisson κατανομής, που εμπεριέχεται σε εικόνες πυρηνικής ιατρικής. Η PCA είναι μια στατιστική τεχνική, που εξετάζει τις σχέσεις που διέπουν τις μεταβλητές ενός συνόλου δεδομένων και βρίσκει ένα υποσύνολο από τις πιο σημαντικές μεταβλητές. Οι νέες μεταβλητές περιγράφονται σαν γραμμικός συνδυασμός των αρχικών μεταβλητών και κατατάσσονται σε σειρά σημαντικότητας σε σχέση με τη διακύμανση των δεδομένων που η κάθε μια εκφράζει. Η πρώτη σημαντική συνιστώσα (principal component) είναι η μεταβλητή που εκφράζει το μέγιστο ποσό διακύμανσης. Η δεύτερη σημαντική συνιστώσα εκφράζει το επόμενο μεγαλύτερο ποσό διακύμανσης και είναι ανεξάρτητη από της πρώτης κ.ο.κ.. Ουσιαστικά, το σύνολο των αρχικών σχετιζόμενων μεταβλητών μετασχηματίζεται σε ένα σύνολο ασυσχέτιστων μεταβλητών, όπου οι λιγότερο σημαντικές μεταβλητές μπορούν να απομακρυνθούν χωρίς ουσιαστική απώλεια πληροφορίας. Η κύρια χρήση της PCA είναι να μειωθεί ο όγκος ενός συνόλου δεδομένων και να οδηγηθούμε σε μια βέλτιστη περιγραφή τους. Στην περίπτωση των εικόνων πυρηνικής ιατρικής μπορούμε να θεωρήσουμε ότι λόγω του στατιστικού χαρακτήρα του θορύβου η χρήσιμη πληροφορία περιέχεται σε μικρό αριθμό συνιστωσών, ενώ ο θόρυβος σε ένα μεγάλο αριθμό μη-σημαντικών συνιστωσών. Εφαρμόζοντας συνεπώς την PCA και αφαιρώντας τις συνιστώσες που αντιστοιχούν στον θόρυβο μπορούμε να επιτύχουμε σημαντική μείωση του.
Επίσης πραγματοποιήθηκε συγκριτική αξιολόγηση μεταξύ της προτεινόμενης μεθόδου και άλλων μεθόδων μείωσης θορύβου σε εικόνες πυρηνικής ιατρικής. Συγκεκριμένα, η μέθοδος που βασίζεται στη PCA συγκρίθηκε με το φίλτρο
εξομάλυνσης (smooth 3x3 και smooth 5x5) και το μη-γραμμικό φίλτρο (median 3x3 και median 5x5). Όλες οι μέθοδοι εφαρμόστηκαν σε πρότυπες εικόνες πυρηνικής ιατρικής, που αποκτήθηκαν με τη βοήθεια δυο ομοιωμάτων, ενός ομοιώματος με μικρές θερμές περιοχές (hot spots phantom) και ενός ομοιώματος μέτρησης διακριτικής ικανότητας (bar phantom) σε διαφορετικούς χρόνους. Στις επεξεργασμένες εικόνες μετρήθηκαν ο θόρυβος, η αντίθεση, ο λόγος αντίθεσης-προς-θόρυβο (Contrast-to-Noise-ratio, CNR) και το εύρος στο ήμισυ της μέγιστης τιμής (Full-Width-of-Half-Maximum, FWHM). Τα αποτελέσματα της σύγκρισης έδειξαν ότι η μέθοδος που βασίζεται στη PCA μειώνει σημαντικά το θόρυβο, ενώ ταυτόχρονα αυξάνει το λόγο αντίθεσης-προς-θόρυβο. Τέλος, πραγματοποιήθηκε πιλοτική μελέτη προτίμησης από δυο πυρηνικούς ιατρούς μεταξύ των μεθόδων μείωσης θορύβου σε δείγμα κλινικών εικόνων συγκεκριμένων εξετάσεων στατικών λήψεων (οστών, πνευμόνων, θυρεοειδούς, παραθυρεοειδούς και νεφρών). Η μελέτη αυτή έδειξε ότι η PCA μειώνει σημαντικά το θόρυβο, ενώ ταυτόχρονα βελτιώνει οπτικά τις ανατομικές δομές των εικόνων.
Identifer | oai:union.ndltd.org:upatras.gr/oai:nemertes:10889/1178 |
Date | 16 December 2008 |
Creators | Σμπιλίρη, Βασιλική Γ. |
Contributors | Κωσταρίδου, Ελένη, Smpiliri, Vasiliki G., Κωσταρίδου, Ελένη, Παναγιωτάκης, Γεώργιος, Αποστολόπουλος, Δημήτριος |
Source Sets | University of Patras |
Language | gr |
Detected Language | Greek |
Type | Thesis |
Rights | 0 |
Relation | Η ΒΥΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της. |
Page generated in 0.0033 seconds