Os exames de imagem por ressonância magnética (Magnetic Resonance Imaging - MRI) possuem grande importância na medicina, pois geram imagens de alta qualidade, no que diz respeito a resolução espacial (em equipamentos modernos) e contraste entre diferentes tecidos, sem a necessidade de expor o paciente à radiação ionizante. No entanto, as imagens de ressonância estão sujeitas a degradações intrínsecas ao processo de aquisição como, por exemplo, a adição de ruído, que podem comprometer o diagnóstico médico. Técnicas de processamento de imagens podem filtrar o ruído e melhorar a qualidade das imagens de MRI, tornando-se ferramentas bastante úteis na área médica. Porém, o sucesso das técnicas de filtragem dependem de um modelamento preciso das características do ruído presente nas imagens. Diversos trabalhos na literatura apresentaram diferentes técnicas para a filtragem de ruído de imagens de MRI, contudo, poucos apresentam um modelo preciso das características do ruído presentes nas diferentes modalidades de aquisição e reconstrução das imagens, como o número de bobinas, o algoritmo de reconstrução e o uso ou não de aquisição paralela (acelerada). Assim, o presente trabalho apresenta um método para filtragem de ruído em imagens de MRI corrompidas por ruído Riciano não-estacionário que leva em conta um modelo preciso das características de ruído normalmente encontradas em aquisições com múltiplas bobinas e/ou aceleradas. O método proposto realiza, em uma primeira etapa, uma estimativa dos parâmetros do ruído da imagem para, em uma segunda etapa, realizar o processo de filtragem no domínio de uma transformada de estabilização de variância. O método proposto neste trabalho foi comparado a dois outros métodos considerados estados-da-arte pela literatura. Dois bancos de imagens volumétricas (3D) de MRI de cérebro humano foram utilizados, sendo um de imagens do phantom de BrainWeb, corrompidas com diferentes padrões de ruído Riciano não-estacionário, e outro de imagens de aquisição real in vivo de voluntários em equipamento de MRI de 7 Tesla, obtidos junto ao Hospital da Universidade de Pittsburgh (EUA). As imagens filtradas foram avaliadas sob métricas objetivas de qualidade e os tempos de processamento dos algoritmos foram calculados. Os resultados mostraram que o método proposto é comparável aos métodos estados-da-arte em termos de qualidade da imagem filtrada e com menor custo computacional.

Magnetic resonance imaging (MRI) is of great importance because it provides high quality images, in terms of spatial resolution (in modern equipment) and contrast between different tissues, without exposing the patient to ionizing radiation. However, MRI images are susceptible to intrinsic degradation regarding the acquisition process, such as the addition of noise, which may compromise medical diagnoisis. Image processing techniques can denoise and improve image quality, becoming usefull tools in the medical field. Though, the success of denoising depends on the precise modeling of the noise characteristics present on the images. Many works in literature report diferent techniques to denoise MRI images, however, very few use the correct accurate models for the different acquisition modalities, as the number of coils, the reconstruction algoritm and the use or not of paralell (accelerated) acquisition. Thus, this work proposes a method for denoising MRI images corrupted with Rician non-stationary noise which takes into account an exact noise model normally found in multi-coil acquisitions and/or parallel acquisitions. The proposed denoising framework, in the first step, estimates the noise parameters of the MRI image and, in the second step, performs image denoising in the variance stabilization transformation domain. The proposed method was compared to two state-of-art methods presented in literature. Two datasets of volumetric (3D) MRI images of human brain were used: one consisting of sinthetic images of the BrainWeb phantom, corrupted with different Rician non-stationary noise patterns, and another one consisting of real in vivo images of volunteer patients acquired on a 7T MRI scanner, at the Hospital of the University of Pittsburgh. The filtered images were evaluated under objective quality metrics and the processing times of the algoritms were calculated. The results showed the proposed method is comparable to the state-of-art methods in terms of image quality, but requires less computational cost.