Please use this identifier to cite or link to this item:
Title: Novel Bayesian multiscale methods for image denoising using alpha-stable distributions
Authors: Achim, Alin
Issue Date: 2009-01-19T07:51:20Z
Keywords: Alpha-stable distributions
Wavelet decomposition
Bayesian estimation
Speckle noise
Synthetic aperture radar
Image processing
Abstract: Before launching into ultrasound research, it is important to recall that the ultimate goal is to provide the clinician with the best possible information needed to make an accurate diagnosis. Ultrasound images are inherently affected by speckle noise, which is due to image formation under coherent waves. Thus, it appears to be sensible to reduce speckle artifacts before performing image analysis, provided that image texture that might distinguish one tissue from another is preserved. The main goal of this thesis was the development of novel speckle suppression methods from medical ultrasound images in the multiscale wavelet domain. We started by showing, through extensive modeling, that the subband decompositions of ultrasound images have significantly non-Gaussian statistics that are best described by families of heavy-tailed distributions such as the alpha-stable. Then, we developed Bayesian estimators that exploit these statistics. We used the alpha-stable model to design both the minimum absolute error (MAE) and the maximum a posteriori (MAP) estimators for alpha-stable signal mixed in Gaussian noise. The resulting noise-removal processors perform non-linear operations on the data and we relate this non-linearity to the degree of non-Gaussianity of the data. We compared our techniques to classical speckle filters and current state-of-the-art soft and hard thresholding methods applied on actual ultrasound medical images and we quantified the achieved performance improvement. Finally, we have shown that our proposed processors can find application in other areas of interest as well, and we have chosen as an illustrative example the case of synthetic aperture radar (SAR) images.
Abstract (translated): Ο απώτερος σκοπός της έρευνας που παρουσιάζεται σε αυτή τη διδακτορική διατριβή είναι η διάθεση στην κοινότητα των κλινικών επιστημόνων μεθόδων οι οποίες να παρέχουν την καλύτερη δυνατή πληροφορία για να γίνει μια σωστή ιατρική διάγνωση. Οι εικόνες υπερήχων προσβάλλονται ενδογενώς από θόρυβο, ο οποίος οφείλεται στην διαδικασία δημιουργίας των εικόνων μέσω ακτινοβολίας που χρησιμοποιεί σύμφωνες κυματομορφές. Είναι σημαντικό πριν τη διαδικασία ανάλυσης της εικόνας να γίνεται απάλειψη του θορύβου με κατάλληλο τρόπο ώστε να διατηρείται η υφή της εικόνας, η οποία βοηθά στην διάκριση ενός ιστού από έναν άλλο. Κύριος στόχος της διατριβής αυτής υπήρξε η ανάπτυξη νέων μεθόδων καταστολής του θορύβου σε ιατρικές εικόνες υπερήχων στο πεδίο του μετασχηματισμού κυματιδίων. Αρχικά αποδείξαμε μέσω εκτενών πειραμάτων μοντελοποίησης, ότι τα δεδομένα που προκύπτουν από τον διαχωρισμό των εικόνων υπερήχων σε υποπεριοχές συχνοτήτων περιγράφονται επακριβώς από μη-γκαουσιανές κατανομές βαρέων ουρών, όπως είναι οι άλφα-ευσταθείς κατανομές. Κατόπιν, αναπτύξαμε Μπεϋζιανούς εκτιμητές που αξιοποιούν αυτή τη στατιστική περιγραφή. Πιο συγκεκριμένα, χρησιμοποιήσαμε το άλφα-ευσταθές μοντέλο για να σχεδιάσουμε εκτιμητές ελάχιστου απόλυτου λάθος και μέγιστης εκ των υστέρων πιθανότητας για άλφα-ευσταθή σήματα αναμεμειγμένα με μη-γκαουσιανό θόρυβο. Οι επεξεργαστές αφαίρεσης θορύβου που προέκυψαν επενεργούν κατά μη-γραμμικό τρόπο στα δεδομένα και συσχετίζουν με βέλτιστο τρόπο αυτή την μη-γραμμικότητα με τον βαθμό κατά τον οποίο τα δεδομένα είναι μη-γκαουσιανά. Συγκρίναμε τις τεχνικές μας με κλασσικά φίλτρα καθώς και σύγχρονες μεθόδους αυστηρού και μαλακού κατωφλίου εφαρμόζοντάς τες σε πραγματικές ιατρικές εικόνες υπερήχων και ποσοτικοποιήσαμε την απόδοση που επιτεύχθηκε. Τέλος, δείξαμε ότι οι προτεινόμενοι επεξεργαστές μπορούν να βρουν εφαρμογές και σε άλλες περιοχές ενδιαφέροντος και επιλέξαμε ως ενδεικτικό παράδειγμα την περίπτωση εικόνων ραντάρ συνθετικής διατομής.
Appears in Collections:Τμήμα Ιατρικής (ΔΔ)

Files in This Item:
File Description SizeFormat 
PhD_Achim_perilipsi.pdf2.26 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons