Redukacja szumu w obrazach tomografii rezonansu magnetycznego z wykorzystaniem zasady największej wiarygodności

Celem pracy magisterskiej pod tytułem: „Redukcja szumu w obrazach tomografii rezonansu
magnetycznego z wykorzystaniem zasady największej wiarygodności" było zaimplementowanie
algorytmu nielokalnej estymacji największej wiarygodności oraz porównanie z alternatywnymi
metodami, tj. metodą nielokalnej estymacji średniej oraz metodą uśredniającą. Problematyka
pracy odnosi się do redukcji szumów obrazów rezonansu magnetycznego z wykorzystaniem
algorytmu bazującego na metodzie nielokalnej estymacji największej wiarygodności. Kolejne
rozdziały zawierają wstęp oraz podstawy teoretyczne, czyli opis działania rezonansu
magnetycznego, szum w jego obrazach, konwencjonalne metody redukcji szumów z obrazów,
a następnie zagadnienia dotyczące implementacji. Badawcza część pracy zawiera min.
porównanie kontrastu obrazu wynikowego oraz porównanie wartości skutecznej sygnału obrazu
wynikowego. Wnioski płynące z pracy określają algorytm NLML, jako korzystną alternatywę
dla innych metod redukcji szumu. Efektywne wykorzystanie tego algorytmu jest jednak
uwarunkowane wydajnością jego implementacji komputerowej. Literaturę bazową stanowi
artykuł pt. A Nonlocal Maximum Likelihood Estimation Method for Rician Noise Reduction in
MR Image, autorstwa Lili He oraz Iana R. Greenshieldsa.

The main purpose of this thesis was denoising magnetic resonance images by using nonlocal
maximum likelihood estimation (NLML). In spite of that magnetic resonance being a most
complex machine for imaging of the world the result images are full of distortion and noises.
In order, to increase a quality we reduce noise level within images through noise reduction
algorithms.
The first part of those thesis contains a theoretical introduction to the magnetic resonance
imaging – it is a very important part, to well known further chapters. The second chapter shows
origin of noise in MR images. Third chapter contains conventional noise reduction methods.
The next chapter describe theoretically and issues with implementation nonlocal maximum
likelihood estimation (NLML) algorithm.
For purpose this thesis have been implemented NLML algorithm in Java language. In order to
study NLML algorithm. The NLML was compared to the conventional methods (algorithms)
for noise reduction. Algorithms was compared based on e.g. contrast, signal-noise-ratio (SNR),
edge sharpness and visual inspection.
Summarising: Despite being most CPU consumptive, NLML can be a great alternative for other
noise reductions algorithms.
This thesis based on article “A Nonlocal Maximum Likelihood Estimation Method for Rician
Noise Reduction in MR Image, written by Lili He oraz Iana R. Greenshieldsa.”