磁気共鳴イメージングにおける効率的なノイズ削減のためのシンプルで高速の適応的非ローカルマルチスペクトルフィルタリングアルゴリズム

目的：最近、MS-NLMLと呼ばれるボクセル強度の最尤推定（MLE）に基づいて、マルチスペクトル（MS）非ローカル（NL）フィルターを導入しました。MS-NLMLは、他のNLまたはMSフィルターと比較して優れたノイズ低減と改善された画像機能の保存を提供しますが、かなりの処理時間が必要であり、ルーチン分析でのアプリケーションを制限します。この作業では、マルチスペクトル（MS）磁気共鳴イメージング（MRI）のノイズ削減のために、マルチスペクトルの大きさ（NESMA）の非ローカル推定と呼ばれる高速でシンプルで堅牢なフィルターを導入しました。 方法：大規模なシミュレーションと生体内分析を通じて、NESMAとMS-NLMLのパフォーマンスを、ノイズ低減と処理効率の観点から比較しました。さらに、フィルタリングで使用される同様のボクセルRの空間的変動を可能にする2つの簡単な適応方法を紹介します。最初の方法は半適応性であり、相対ユークリッド距離（赤）類似性しきい値を使用して、画像全体のRの変動を許可します。2番目の方法は完全に適応的であり、いくつかの赤い類似性しきい値を使用して生データをフィルタリングして、偏りのない基準を使用して最適なしきい値を空間的に決定します。 結果：NESMAは、MS-NLMLと比較して非常によく似たフィルタリングパフォーマンスを示していますが、非常に単純な実装と非常に速い処理時間を示しています。さらに、両方のフィルターで、適応方法は、Rが画像全体で一定の値に設定されている従来の非適応方法と比較して、さらにノイズをさらに減らすことが示されました。 結論：NESMAは、フィルターを実装するために高速で堅牢で、簡単です。これらの機能は、大規模なMRIデータセットの日常的な臨床使用と分析に適しています。

PURPOSE: We recently introduced a multispectral (MS) nonlocal (NL) filter based on maximum likelihood estimation (MLE) of voxel intensities, termed MS-NLML. While MS-NLML provides excellent noise reduction and improved image feature preservation as compared to other NL or MS filters, it requires considerable processing time, limiting its application in routine analyses. In this work, we introduced a fast, simple, and robust filter, termed nonlocal estimation of multispectral magnitudes (NESMA), for noise reduction in multispectral (MS) magnetic resonance imaging (MRI). METHODS: Through extensive simulation and in-vivo analyses, we compared the performance of NESMA and MS-NLML in terms of noise reduction and processing efficiency. Further, we introduce two simple adaptive methods that permit spatial variation of similar voxels, R, used in the filtering. The first method is semi-adaptive and permits variation of R across the image by using a relative Euclidean distance (RED) similarity threshold. The second method is fully adaptive and filters the raw data with several RED similarity thresholds to spatially determine the optimal threshold value using an unbiased criterion. RESULTS: NESMA shows very similar filtering performance as compared to MS-NLML, however, with much simple implementation and very fast processing time. Further, for both filters, the adaptive methods were shown to further reduce noise in comparison with the conventional non-adaptive method in which R is set to a constant value throughout the image. CONCLUSIONS: NESMA is fast, robust, and straightforward to implement filter. These features render it suitable for routine clinical use and analysis of large MRI datasets.