构建基于多维网的Shearlets并使用它们对受COVID-19影响的噪音大脑图像进行自动细分
Nasser Aghazadeh1, Paria Moradi1, Parisa Noras1
1Department of Applied Mathematics, Azarbaijan Shahid Madani University, Tabriz, Iran.
Journal of medical signals and sensors
|August 25, 2023
概括
多重标签有效地消除受COVID-19影响的大脑MRA图像,提高了细分精度. 这种新的方法提高了病毒引起的神经损伤的检测.
科学领域:
- 医疗成像医学成像
- 信号处理 信号处理
- 计算神经科学是一种神经科学.
背景情况:
- 由SARS-CoV-2引起的COVID-19主要影响呼吸系统,但最近的发现表明潜在的神经影响.
- 大脑在身体功能中的中心作用需要在COVID-19的背景下调查其健康状况.
- 大脑图像细分有助于识别受冠状病毒影响的区域,但MRA扫描中的图像噪声是一个挑战.
研究的目的:
- 引入和评估由多波小组构建的多重链条,用于否定大脑MRA图像.
- 开发一个自动方案,用于在主动轮模型中进行初始曲线表征,以改进细分.
- 为了评估多重链条在检测COVID-19相关的大脑异常方面的有效性.
主要方法:
- 基于多波段的多个sharlets的构建,扩大方向性质.
- 应用多重链条来消除脑磁共振血管学 (MRA) 图像的模糊性.
- 开发一个具有初始曲线检测的自动主动轮模型细分方案.
主要成果:
- 与原始雪相比,Multishearlets表现出更高的无色化性能,由更高的峰值信号对噪声比率 (PSNR) 和结构相似性指数测量 (SSIM) 证明.
- 拟议的细分方案实现了0.99.9的准确性.
- 在MRA图像中,Multishearlets有效地中和了噪音.
结论:
- 对于拒绝MRA图像而言,Multishearlets比传统shearlets提供了显著的改进.
- 开发的细分方法为识别受影响的大脑区域提供了非常准确的结果.
- 这项研究通过使用增强的图像处理技术,为分析COVID-19的神经效应提供了强大的方法.
