noise2noise-在单b值DWI中寻找图像对的运用

最近在做单b值DW图像的去噪算法研究，为了实现对比效果，所以这几天对noise2noise在DWI上的运用进行实现，而且今天收获很大，所以我又来记录了（嘿嘿，积少成多嘛）

一、单b值数据: 文件后缀 .nii ,使用库dipy（或者nibabel)读取

from dipy.io.image import load_nifti
nii_path = "file path"
data_array, affine, _ = load_nifti(nii_path, return_img=True)

       我得到的data_array是四维的（deepth,height,width,n),第4维就是根据b值的采集个数而产生的。
二、如何获取noise2noise图像对(input,target)

      由于单b值dwi数据本身的特性：b值<=5,近似看作干净图像（clean)，剩余的都是同b值的含噪图像，只是采集的梯度方向不一样。

      就以b1000为例，要想找出适用于noise2noise的噪声图像对，其实不用像原论文那样（使用clean，加噪得noise1，再加噪得noise2，用noise1-noise2做图像对），对于单b值dwi,我们可以在同一b值下，使用某种相似度计算方法，找出梯度方向最近似的两个b1000噪声图像对，输入降噪模型）

def find_target(gradients, indices):
    """
    找出每个梯度向量最相似的邻居并返回索引配对。
    参数:
    gradients: 梯度向量列表。
    indices: 梯度向量在原始数据中的索引列表。
    返回:
    pairs: 索引配对列表，每个元素是一个包含两个索引的元组。
    """
    # 计算余弦相似度矩阵
    similarity_matrix = np.zeros((len(gradients), len(gradients)))
    for i, vec_i in enumerate(gradients):
        for j, vec_j in enumerate(gradients):
            similarity_matrix[i, j] = np.dot(vec_i, vec_j) / (np.linalg.norm(vec_i) * np.linalg.norm(vec_j))
    nearest_match = []
    for i in range(len(gradients)):
        max_sim_index = np.argmax(similarity_matrix[i])  # 先找到最大相似度的索引
        if max_sim_index == i:  # 如果是自己，则找第二大的
            similarity_matrix[i, i] = -1
            max_sim_index = np.argmax(similarity_matrix[i])
        nearest_match.append((indices[i], indices[max_sim_index]))

    return nearest_match

得到的nearest_match是一个list，每个元素就是（noise1_index,noise2_index）

三、总结

     根据nearest_match就可以从data_array的最后一维取出对应的三维图像

def find_pair(data_array,index_match):
    noise1_index = [ps[0] for ps in index_match]
    noise2_index= [ps[1] for ps in index_match]

    noise1 = data_array[:, :, :, noise1_index]
    noise2 = data_array[:, :, :, noise2_index]
    
    return noise1,noise2

---

---

---

---

---