💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码实现
💥1 概述
该模块用于减少扩散加权磁共振成像（DW-MRI）数据上的Rician噪声，以提高估计扩散张量图像或ODF场的准确性。请注意，此方法适用于处理扩散加权MRI数据集，而不适用于解剖MRI或其他类型的MRI数据。此软件可以在估计扩散张量体积或ODF场之前，对DW-MRI数据进行噪声降低。
该软件使用Rician噪声模型，在最小均方误差准则下对图像进行滤波。它以与正在处理的方向最接近的N个梯度方向一起进行滤波，以改善结果。在每个3D空间位置上，无噪声信号被视为n维向量，必须使用LMMSE方法（最小均方误差估计）从一组受损测量中进行估计。为了完成这一点，需要估计无噪声向量的协方差矩阵以及信号与噪声之间的交叉协方差，这是在考虑图像形成过程的情况下完成的。
所有这些估计值都作为样本估计值在"形状邻域"中执行，该邻域由根据体素的结构相似性提取的权重定义。这遵循非局部均值滤波器的相同思想。NLM（非局部均值）距离是在特征空间中计算的，它比较梯度图像在一组三个独立方向上的投影创建的RGB图像的局部平均值和梯度。
通过使用该模块进行DW-MRI数据的噪声降低，可以提高在扩散张量图像或ODF场估计中的准确性。这对于研究扩散过程、纤维束成像等领域，具有重要的意义。同时，该软件的算法基于先进的数据处理方法，可以在处理过程中考虑图像的结构和特征，从而更好地保留和恢复细节信息。
需要注意的是，该模块具体应用的可行性和效果与输入数据的特性以及其他实际因素有关。因此，在使用该模块之前，建议进行应用实验和评估，以确保其适用性和效果符合预期。
📚2 运行结果
部分代码：
disp(['Whole Wiener version without mask and all gradients completed in ',num2str(etime),' seconds']);
slice = 33;
grad = 3;
figure(1);
subplot(2,2,1);
imshow(DWInoisy(:,:,slice,grad),[]);
title('Original noisy slice');
subplot(2,2,2);
imshow(DWIfiltered1(:,:,slice,grad),[]);
title('UNLM filter without LMMSE correction');
subplot(2,2,3);
imshow(DWIfiltered3(:,:,slice,grad),[]);
title('Whole filter mixing all gradients');
subplot(2,2,4);
imshow(DWIfiltered4(:,:,slice,grad),[]);
title('Whole filter mixing only part of the gradients');
save('test_data_jaLMMSE','DWInoisy','Grads','sigma','mask');
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
[1] Antonio Tristan-Vega and Santiago Aja-Fernandez, 'DWI filtering using joint information for DTI and HARDI', Medical Image Analysis, Volume 14, Issue 2, Pages 205-218. 2010;
[2] Antonio Tristan-Vega, Veronique Brion, Gonzalo Vegas-Sanchez-Ferrero, and Santiago Aja-Fernandez, 'Merging squared-magnitude approaches to DWI denoising: An adaptive Wiener filter tuned to the anatomical contents of the image', In Proceedings of IEEE EMBC 2013, pp. 507-510. Osaka (Japan). 2013,
