Mostrar el registro sencillo del ítem

dc.rights.licenseLicencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacionales
dc.contributor.authorGelvez, Elkin
dc.contributor.authorVera, Miguel
dc.contributor.authorHuérfano, Yoleidy
dc.contributor.authorValbuena, Oscar
dc.contributor.authorSalazar, Williams
dc.contributor.authorVera, María Isabel
dc.contributor.authorBorrero, Maryury
dc.contributor.authorBarrera, Doris
dc.contributor.authorHernández, Carlos
dc.contributor.authorMolina, Ángel Valentín
dc.contributor.authorMartínez, Luis Javier
dc.contributor.authorSáenz, Frank
dc.contributor.authorVivas, Marisela
dc.contributor.authorContreras, Julio
dc.contributor.authorRestrepo, Jorge
dc.contributor.authorVanegas, Juan
dc.contributor.authorSalazar, Juan
dc.contributor.authorContreras, Yudith
dc.date.accessioned2019-01-25T19:23:30Z
dc.date.available2019-01-25T19:23:30Z
dc.date.issued2018
dc.identifier.issn18564550
dc.identifier.urihttp://hdl.handle.net/20.500.12442/2529
dc.description.abstractThis paper presents the evaluation of two computational techniques for smoothing noise that might be present in synthetic images or numerical phantoms of magnetic resonance (MRI). The images that will serve as the databases (DB) during the course of this evaluation are available freely on the Internet and are reported in specialized literature as synthetic images called BrainWeb. The images that belong to this DB were contaminated with Rician noise, this being the most frequent type of noise in real MRI images. Also, the techniques that are usually considered to minimize the impact of Rician noise on the quality of BrainWeb images are matched with the Gaussian filter (GF) and an anisotropic diffusion filter, based on the gradient of the image (GADF). Each of these filters has 2 parameters that control their operation and, therefore, undergo a rigorous tuning process to identify the optimal values that guarantee the best performance of both the GF and the GADF. The peak of the signal-to-noise ratio (PSNR) and the computation time are considered as key elements to analyze the behavior of each of the filtering techniques applied. The results indicate that: a) both filters generate PSNR values comparable to each other. b) The GF requires a significantly shorter computation time to soften the Rician noise present in the considered DB.en
dc.description.abstractEste artículo presenta la evaluación de dos técnicas computacionales para el suavizado de ruido, que puede estar presente en imágenes sintéticas o phantoms numéricos de resonancia magnética (MRI). Las imágenes que servirán como bases de datos (DB) para el desarrollo de la mencionada evaluación están disponibles, de manera libre, en la Internet y se reportan, en la literatura especializada, como imágenes sintéticas denominadas BrainWeb. Las imágenes pertenecientes a esta DB fueron contaminadas con ruido Riciano debido a que este es el tipo de ruido más frecuente en imágenes de MRI reales. Por otra parte, las técnicas consideradas para minimizar el impacto de este ruido, en la calidad de las imágenes de la BrainWeb, se hacen coincidir con el filtro Gausiano (GF) y un filtro de difusión anisotrópica, basado en el gradiente de la imagen (GADF). Cada uno de estos filtros posee 2 parámetros que controlan su funcionamiento y, por ende, deben someterse a un proceso de entonación riguroso para identificar los valores óptimos que garanticen el mejor desempeño tanto del GF como del GADF. El pico de la relación señal a ruido (PSNR) y el tiempo de cómputo son considerados como elementos clave para analizar el comportamiento de cada una de las técnicas de filtrado aplicadas. Los resultados indican que: a) Ambos filtros generan valores de PSNR comparables entre sí. b) El GF requiere de un tiempo de cómputo, significativamente, menor para suavizar el ruido Riciano presente en la DB considerada.es
dc.language.isoenen
dc.publisherSociedad Latinoamericana de Hipertensiónes
dc.rightsinfo:eu-repo/semantics/openAccess
dc.sourceRevista Latinoamericana de Hipertensiónes
dc.sourceVol. 13, No. 4 (2018)es
dc.source.urihttp://www.revhipertension.com/rlh_4_2018/5_smoothing_filters_synthetic.pdfen
dc.subjectSynthetic Cerebral imagesen
dc.subjectMagnetic resonanceen
dc.subjectRician noiseen
dc.subjectGaussian filteren
dc.subjectAnisotropic diffusion filteren
dc.subjectPSNRes
dc.subjectImágenes sintéticas cerebraleses
dc.subjectResonancia magnéticaes
dc.subjectRuido Ricianoes
dc.subjectFiltro Gausianoes
dc.subjectFiltro de difusión anisotrópicaes
dc.titleSmoothing filters in synthetic cerebral magnetic resonance images: A comparative studyen
dc.title.alternativeFiltros suavizadores en imágenes sintéticas de resonancia magnética cerebral: un estudio comparativoes
dc.typeArticleen
dcterms.bibliographicCitationGudbjartsson H. y Patz S.The rician distribution of noisy MRI data, Magn. Reson. Med. 34 (1) (1995) 910914.en
dcterms.bibliographicCitationMacovski A. (1996). Noise in MRI, Magn. Reson. Med. 36 (1) 494497.en
dcterms.bibliographicCitationCocosco C., Kollokian V., Kwan R. y Evans A. (1997). BrainWeb: Online Interface to a 3D MRI Simulated Brain Database. NeuroImage, 5(4), part 2/4, S425, 1997. Proceedings of 3-rd International Conference on Functional Mapping of the Human Brain, Copenhagen.en
dcterms.bibliographicCitationKwan R., Evans A. y Pike G. (1999). MRI simulation-based evaluation of image processing and classification methods. IEEE Transactions on Medical Imaging. 18(11):1085-97.en
dcterms.bibliographicCitationCollins D., Zijdenbos A., Kollokian V., Sled J. y Kabani N., Holmes C., Evans A. (1998). Design and Construction of a Realistic Digital Brain Phantom. IEEE Transactions on Medical Imaging, 17(3):463-468.en
dcterms.bibliographicCitationKwan R., Evans A. y Pike G. (1996). An Extensible MRI Simulator for Post-Processing-Evaluation-Visualization in Biomedical Computing (VBC’96). Lecture Notes in Computer Science, 1131:135-140.Springer- Verlag,en
dcterms.bibliographicCitationCoupé P., Yger P., Prima S., Hellier P., Kervrann C. y Barillot C. (2008). An optimized blockwise nonlocal means denoising filter for 3-D magnetic resonance images, IEEE Trans. Med. Imag. 27(4):425–441.en
dcterms.bibliographicCitationPerona P. y Malik J. (1990). Scalespace and edge detection using anisotropic diffusion, IEEE Trans. on Patt. Analysis and Machine Intelligence 12(7): 629–639.en
dcterms.bibliographicCitationVera M. Segmentación de estructuras cardiacas en imágenes de tomografía computarizada multi-corte. Ph.D. dissertation, Universidad de los Andes, Mérida-Venezuela, 2014.en
dcterms.bibliographicCitationVera M., Huérfano Y., Contreras J., Vera M. I., Salazar W., Vargas S., Chacón J. y Rodríguez J. (2017). Detección de hemorragia intracraneal intraparenquimatosa, en imágenes de tomografía computarizada cerebral, usando una técnica computacional no lineal. Latinoamericana de Hipertensión. 12(5), 125-130.es
dcterms.bibliographicCitationMeijering H. Image enhancement in digital X–ray angiography. [Tesis Doctoral], Utrecht University, Netherlands, 2000.en
dcterms.bibliographicCitationGonzález R., Woods R. Digital Image Processing. USA: Prentice Hall, 2001.en
dcterms.bibliographicCitationPratt W. Digital Image Processing. USA: John Wiley & Sons Inc, 2007.en
dcterms.bibliographicCitationNetravali A. y Haskell B. Digital Pictures: Representation, Compression, and Standards (2nd Ed), Plenum Press, New York, NY (1995).en
dcterms.bibliographicCitationRabbani M. y Jones P. Digital Image Compression Techniques, Vol TT7, SPIE Optical Engineering Press, Bellvue, Washington (1991).en


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

  • Artículos
    Artículos científicos evaluados por pares

Mostrar el registro sencillo del ítem