Research Article

تقنيات تقليل الضوضاء القائمة على التعلم الآلي الموفرة للطاقة للتصوير الطبي المستدام

DOI:

10.3791/68968

⸱

September 16th, 2025

 ,  ,  ,  ,  , 
1Vishwakarma University, 2Vishwakarma Institute of Technology, 3San Jose State University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة منهجية موفرة للطاقة لتقليل الضوضاء تدمج المعالجة المسبقة للصور لتحسين جودة الصورة الطبية ، وتقليل التكلفة الحسابية ، ودعم ممارسات التشخيص المستدامة. تعمل هذه الطريقة على تحسين الوضوح في عمليات المسح بالجرعات المنخفضة والقديمة ، مما يتيح التشخيص عن بعد مع تقليل التعرض للإشعاع واستخدام الطاقة والنفايات الإلكترونية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أظهرت نماذج التعلم العميق التقليدية إمكانات تقليل الضوضاء ، ولكنها تواجه تحديات مثل الحمل الحسابي الشديد واستخدام الطاقة ووقت التدريب. تقدم هذه الدراسة منهجية تقليل الضوضاء الموفرة للطاقة والتي تدمج تحسين الصورة وتجميع K-means كتقنيات معالجة مسبقة لتحسين جودة الإدخال قبل تطبيق الشبكات العصبية. تقترح هذه الدراسة خط أنابيب لإزالة الضوضاء موفر للطاقة يدمج تحسين الصورة باستخدام نواة شحذ وتجزئة الصورة من خلال تجميع K-means قبل تطبيق جهاز تشفير ذاتي تلافيفي. مكنت خطوات المعالجة المسبقة النموذج من تحديد الحدود التشريحية وفصل المناطق المتأثرة بالضوضاء ، وبالتالي تحسين جودة المدخلات وتعزيز تقارب التدريب. تعمل المعالجة المسبقة على زيادة وضوح ميزات الصورة الرئيسية وتمييز المناطق المتأثرة بالضوضاء، مما يتيح عتبة التكيف وإزالة الضوضاء بشكل أكثر فعالية مع انخفاض التكلفة الحسابية. تم تقييم النموذج المقترح باستخدام مجموعات بيانات التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي المتاحة للجمهور. تم تقييم الأداء من خلال ذروة نسبة الإشارة إلى الضوضاء (PSNR) ، ومقياس مؤشر التشابه الهيكلي (SSIM) ، ودقة التصنيف. وأظهرت النتائج أن PSNR تحسن من dB 21.52 إلى dB 28.14. زادت SSIM من 0.7619 إلى 0.8690 ، كما تحسنت دقة التحقق من الصحة. أدت المعالجة المسبقة المتكاملة إلى تقليل وقت التدريب بنسبة ~ 20٪ وتقليل استخدام وحدة معالجة الرسومات ، وبالتالي دعم قابلية التكرار والنشر في البيئات المقيدة حسابيا. تدعم المنهجية ممارسات التصوير الطبي المستدامة من خلال تقليل التعرض للإشعاع ، وتقليل عمليات المسح المتكرر ، وإطالة عمر معدات التصوير القديمة. يساهم خط الأنابيب هذا في التصوير الطبي المستدام من خلال تقليل التعرض للإشعاع ، وتقليل عمليات المسح المتكررة ، وإطالة عمر معدات التصوير القديمة. كما أنها مناسبة للتشخيص عن بعد ، مما يعزز سير عمل التطبيب عن بعد في الأماكن منخفضة الموارد. بالإضافة إلى ذلك ، يدعم النهج التشخيص عن بعد ، مما يجعله مناسبا لتطبيقات التطبيب عن بعد في البيئات منخفضة الموارد.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يلعب التصوير الطبي دورا محوريا في التشخيص وتخطيط العلاج من خلال تقديم رؤى غير جراحية للحالات التشريحية والفسيولوجية الداخلية. تستخدم العديد من طرق التصوير ، والأشعة السينية ، والتصوير المقطعي المحوسب (CT) ، والتصوير بالرنين المغناطيسي (MRI) ، والموجات فوق الصوتية ، والتصوير المقطعي بالإصدار البوزيتروني (PET) ، بشكل روتيني في البيئات السريرية للكشف عن التشوهات ومراقبة تطور المرض وتوجيه التدخلات1،2،3. تظهر كل طريقة مزايا فريدة ولكنها عرضة لأشكال مختلفة من تدهور الصورة الناجمة عن قيود الأجهزة وبيئة الاستحواذ وخوارزميات إعادة البناء4.

غالبا ما تتعرض جودة الصورة للخطر بسبب الضوضاء ، والتي يمكن أن تظهر بسبب التأثيرات الحرارية أو بروتوكولات الجرعات المنخفضة أو التداخل الإلكتروني أو حركة المريض أو المعايرة غير الصحيحة5،6،7. تظهر صور التصوير المقطعي المحوسب ، على سبيل المثال ، في كثير من الأحيان ضوضاء بواسون بسبب قيود عدد الفوتون ، في حين أن فحوصات التصوير بالرنين المغناطيسي عرضة للضوضاء الغوسية والريسيان الناشئة عن تناقضات المجال المغناطيسي وإعادة البناء8،9. يمكن أن تحجب هذه الضوضاء الهياكل التشريحية الدقيقة والعلامات المرضية ، مما قد يؤدي إلى تشخيص خاطئ أو تكرار جلسات التصوير ، مما يؤدي بدوره إلى زيادة التعرض للإشعاع وتكاليف الرعاية الصحية. يوضح الشكل 1 والشكل 2 والشكل 3 طرائق وأنواع وأسباب الضوضاء في الصور الطبية.

figure-introduction-1
الشكل 1: تقنيات التقاط الصور الطبية. يوضح هذا الشكل طرق التصوير الطبي الأكثر استخداما ، بما في ذلك الأشعة السينية والتصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب والتصوير المقطعي بالإصدار البوزيتروني والموجات فوق الصوتية. تخدم كل طريقة أغراضا تشخيصية فريدة وهي عرضة للقطع الأثرية المميزة للضوضاء. التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب ، على سبيل المثال ، حساسان بشكل خاص للتشوهات القائمة على الحركة وإعادة البناء. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-introduction-2
الشكل 2: أنواع ضوضاء الصورة. يعرض أنواعا مختلفة من ضوضاء الصورة التي تؤثر على التصوير الطبي، بما في ذلك الضوضاء الغوسية وضوضاء الملح والفلفل وضوضاء البقع وضوضاء بواسون. يؤثر كل نوع من أنواع الضوضاء على شدة البكسل وبنية الصورة بشكل مختلف ، مما يؤثر على فعالية تقليل الضوضاء. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-introduction-3
الشكل 3: أسباب ضوضاء الصورة. يلخص هذا الشكل الأسباب الرئيسية للضوضاء في أنظمة التصوير الطبي. وتشمل هذه أخطاء المستشعر ، والتداخل الإلكتروني ، ونسبة الإشارة إلى الضوضاء المنخفضة (SNR) ، وحركة المريض ، والمسح الضوئي بجرعة منخفضة. إن فهم هذه المصادر يعلم اختيار تقنيات المعالجة المسبقة وتقليل الضوضاء. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

للتغلب على هذه التحديات ، تم استخدام تقنيات مختلفة لإزالة الضوضاء. تعتبر الطرق الكلاسيكية القائمة على المرشح مثل مرشحات الوسيط والغاوسية ووينر فعالة من الناحية الحسابية ولكنها غالبا ما تؤدي إلى فقدان تفاصيل الصورة المهمة. توفر التقنيات التي تعتمد على النموذج مثل عتبة المويجة و BM3D والانتشار متباين الخواص حفظا هيكليا محسنا ولكنها قد تكون حساسة لمعلمات الضبط أو تكافح في سيناريوهات الضوضاء العالية10،11،12.

مع ظهور التعلم العميق ، أظهرت الشبكات العصبية التلافيفية (CNNs) أداء استثنائيا في تقليل الضوضاء للصور الطبية من خلال تعلم التعيينات المعقدة بين الصور الصاخبة والنظيفة. ومع ذلك ، تتطلب الشبكات العميقة عادة موارد حسابية عالية ووقت تدريب ممتد ، مما يثير مخاوف بشأن كفاءة الطاقة ، خاصة في البيئات السريرية المحدودة الموارد13،14،15.

لمعالجة هذه القيود ، ركزت الأبحاث الحديثة على أطر عمل إزالة الضوضاء الهجينة التي تدمج تقنيات المعالجة المسبقة مع الشبكات العصبية لتقليل التعقيد وتحسين الأداء. أظهرت تقنيات مثل تحسين الصورة والتجزئة القائمة على التجميع K-means نتائج واعدة في عزل الهياكل التشريحية ذات الصلة وتقليل العبء على خوارزميات التعلم16،17،18.

بالإضافة إلى تقليل التصوير ، تقدمت تقنيات دمج الصور متعددة الوسائط لتحسين التفاصيل التشخيصية من خلال الجمع بين البيانات من طرق التصوير المختلفة. تسلط الأعمال الحديثة الضوء على الابتكارات المستمرة في مجال معالجة الصور الطبية19،20،21،22،23.

يوضح الشكل 4 كيف يمكن للضوضاء أن تؤدي إلى تدهور وضوح الصورة وربما إعاقة التفسيرات السريرية. تحفز هذه القيود الحاجة إلى مناهج واعية للطاقة وعالية الدقة لتقليل الضوضاء تحافظ على الأهمية السريرية.

figure-introduction-4
الشكل 4: تأثير الضوضاء على جودة التشخيص. يوضح كيف تحجب الضوضاء التفاصيل التشريحية في التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب. تكشف مقارنة الصور الأصلية مقابل الصور الصاخبة عن تدهور في الوضوح البصري ، خاصة على طول حدود الأعضاء وواجهات الأنسجة الرخوة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

تقترح هذه الدراسة خط أنابيب جديدا لتقليل الضوضاء يجمع بين التحسين القائم على الشحذ وتجزئة K-means مع جهاز تشفير ذاتي قائم على CNN لتقليل الضوضاء مع تحسين الكفاءة الحسابية. يتم التحقق من صحة النموذج المقترح باستخدام المقاييس القياسية ومجموعات البيانات المعيارية. بالإضافة إلى ذلك ، نقوم بتقييم قابليته للتطبيق في التطبيب عن بعد ، واستخدام المعدات القديمة ، والحوسبة المستدامة ، ومعالجة الفجوات في حلول التعلم العميق التقليدية24،25،26.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استخدمت هذه الدراسة حصريا مجموعات بيانات التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي المتاحة للجمهور والتي تم تحديد هويتها. لم يكن هناك أشخاص أحياء من البشر أو. لذلك ، لم تكن هناك حاجة إلى موافقة مجلس المراجعة المؤسسية (IRB) أو لجنة الأخلاقيات.

نظرة عامة على الطريقة
يقدم هذا البروتوكول خط أنابيب قابلا للتكرار لتقليل تقليل الصور الطبية الموفرة للطاقة. فهو يجمع بين تقنيات المعالجة المسبقة ، بما في ذلك مرشحات الشحذ وتجميع K-means ، مع التشفير الذاتي المستند إلى الشبكة العصبية التلافيفية (CNN) لإزالة الضوضاء من الصور. تعمل هذه الطريقة المتكاملة على تحسين جودة الصورة مع تقليل وقت التدريب واستهلاك الطاقة للأجهزة ، ودعم التشخيص الطبي المستدام19،20،21،22،23. يلخص الشكل 5 الإطار الشامل.

figure-protocol-1
الشكل 5: بنية إطار عمل تقليل الضوضاء المقترحة. يوضح هذا الشكل خط الأنابيب الكامل: الحصول على البيانات ، والمعالجة المسبقة (الشحذ + تجزئة الوسائل K) ، متبوعا بتقليل التشفير الذاتي المستند إلى CNN. ويؤكد على النهج الهجين الذي يهدف إلى تقليل استخدام الطاقة مع الحفاظ على الدقة الهيكلية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

يتم تلخيص سير العمل الكامل في الشكل 5 ، والذي يوضح التسلسل من إعداد مجموعة البيانات إلى المعالجة المسبقة (الشحذ و K-means) إلى تقليل الضوضاء من المشفر الذاتي ل CNN إلى الاختبار.

إعداد البرامج والبيئة
الخيار أ - Google Colab (موصى به لقابلية التكرار): انتقل إلى colab.research.google.com، انقر فوق دفتر ملاحظات جديد. حدد وقت التشغيل > تغيير نوع وقت التشغيل > مسرع الأجهزة: وحدة معالجة الرسومات > حفظ. انقر على ملف > تحميل لتحميل دفتر الملاحظات المقدم ومجموعة البيانات .zip (أو اربط Google Drive بالنقر على الملفات > تحميل Drive). في خلية التعليمات البرمجية الأولى ، قم بتثبيت التبعيات (بالفعل في دفتر الملاحظات): pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. انقر فوق وقت التشغيل > تشغيل الكل. تأكد من رؤية: (i) ملخص البيئة مع إصدارات الحزمة، (ii) اسم GPU (في إخراج الخلية)، و (iii) إنشاء مجلد تجربة يعمل/YYYY-MM-DD/.

الخيار ب - محلي (كوندا): افتح موجه Anaconda / Terminal وقم بتشغيل:

figure-protocol-2

ضع مجموعة البيانات الخاصة بك ضمن البيانات / raw / والبرامج النصية ضمن التعليمات البرمجية /. تشغيل: python code / train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. قم بتأكيد لرؤية: نسخة مطبوعة للبيئة، ووحدة معالجة الرسومات المكتشفة، وتشغيل دليل السجل/YYYY-MM-DD/.

إعداد مجموعة البيانات
تم الحصول على مجموعات البيانات المتاحة للجمهور من فحوصات التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي من مستودعات التصوير الطبي. احتوت مجموعات البيانات هذه على ضوضاء نموذجية لعمليات المسح السريرية في العالم الحقيقي وتم إلغاء تحديدها وفقا للمعايير المؤسسيةوالأخلاقية 8،9. تم تغيير حجم كل صورة إلى 256 × 256 بكسل وتخزينها بتنسيق PNG أو DICOM للتوافق. تم تقسيم مجموعات البيانات بشكل عشوائي على النحو التالي: 70٪ للتدريب ، و 15٪ للتحقق من الصحة ، و 15٪ للاختبار ، مما يضمن التوزيع الطبقي لطرق التصوير ومستويات الضوضاء⁶. تم قياس إحصائيات الضوضاء باستخدام متوسط تباين البكسل قبل تقليل الضوضاء.

تنظيم المجلدات: قم بإنشاء مجلد كما هو موضح أدناه:

figure-protocol-3

لإضافة صور ، انسخ صور التصوير المقطعي المحوسب / التصوير بالرنين المغناطيسي غير المحددة إلى البيانات / raw / CT والبيانات / raw / التصوير بالرنين المغناطيسي (PNG أو JPG أو DICOM). توحيد حجم الصورة باستخدام Python (موصى به): قم بتشغيل خلية دفتر الملاحظات تغيير الحجم والتحويل. يقوم بتحميل كل صورة ، ويحول التدرج الرمادي إذا لزم الأمر ، ويغير حجمه إلى 256 × 256 .

figure-protocol-4

البديل هو استخدام واجهة المستخدم الرسومية (بديل ImageJ / Fiji) كما هو موضح. انقر فوق ملف > استيراد تسلسل الصور > (أو صور مفردة) ، ثم صورة > اكتب > 8 بت ، صورة > ضبط حجم > ... > 256 × 256 ، ثم قم بتقديم > حفظ باسم > PNG في البيانات / preproc /.

إنشاء تقسيمات: قم بتشغيل خلية دفتر الملاحظات Train/Val/Test split (70/15/15)؛ يقوم بخلط أسماء الملفات ونسخها إلى بيانات / تقسيمات / قطار | val | اختبار /. تطبع وحدة التحكم الأعداد (على سبيل المثال ، القطار: 700 ، القابلية: 150 ، الاختبار: 150). نقطة التفتيش (مراقبة): افتح البيانات / الانقسامات / التدريب / وتحقق من أن الصور 256 × 256 وتدرج الرمادي (قناة واحدة). احتفظ ببيان CSV صغير (splits.csv) يسرد مسار الملف والطريقة والتسمية المقسمة.

المعالجة المسبقة للصور
استخدم نواة الشحذ 3 × 3. قم بإجراء تحسين الصورة باستخدام نواة التوضيح. تم استخدام نواة الالتفاف الشحذ لتعزيز الحدود التشريحية قبل التجزئة:

figure-protocol-5

يبرز هذا المرشح الهياكل المهمة من خلال تعزيز المكونات عالية التردد4،5. تم تجميع كل صورة باستخدام مكتبة OpenCV الخاصة ب Python (cv2.filter2D ()) لإنشاء الصورة المحسنة. يوضح الشكل 6 المقارنات قبل وبعد.

figure-protocol-6
الشكل 6: مخطط دقة التحقق من الصحة لقيم مختلفة من k. مخطط شريطي يوضح دقة التحقق من الصحة التي تم تحقيقها لقيم مختلفة من K المستخدمة في خطوة تجميع K-means (K = 2 ، 3 ، 4 ، 5). تبلغ الدقة ذروتها عند K = 3 ، مما يشير إلى الفصل الأمثل بين الهياكل التشريحية ومناطق الضوضاء. المقياس: قيم الدقة الطبيعية (0-1). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

قم بتطبيق (Python / OpenCV) باستخدام الكود أدناه.

figure-protocol-7

أو استخدم واجهة المستخدم الرسومية البديلة (ImageJ/Fiji) بالنقر فوق معالجة > عوامل التصفية > Convolve. الصق مصفوفة 3 × 3 أعلاه وانقر فوق موافق > ملف > حفظ باسم > PNG في البيانات / preproc / enhanced /. راقب نقطة التفتيش حيث تبدو الحواف وحدود الأعضاء أكثر وضوحا. إذا شوهدت هالات شديدة الشحذ ، فقم بتقليل الوزن المركزي للنواة من 5 إلى 4.5 وأعد التشغيل. يوضح الشكل 7 النتائج قبل وبعد تقليل الضوضاء. تظهر الصور السابقة بوضوح ضوضاء وضبابية ، بينما تعرض الصور اللاحقة وضوحا محسنا ، وحدودا تشريحية أكثر وضوحا ، وتباينا محسنا ، مما يدل على فعالية خط الأنابيب المقترح لتقليل الضوضاء.

figure-protocol-8
الشكل 7: بنية شبكة Convolution NAutoencoder. يوضح بنية التشفير الذاتي: طبقة الإدخال ، التشفير (طبقات التحويل العشوائي + البركة) ، عنق الزجاجة ، وحدة فك التشفير (أخذ العينات + طبقات التحويل المحمولة). يتم تصنيف كل طبقة بالحجم والوظيفة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

تجميع K-Means للتجزئة
تمت إعادة تشكيل الصور المحسنة باستخدام NumPy (image.reshape(-1, 1)) وتجميعها باستخدام sklearn.cluster.KMeans(n_clusters=3 أو 5). تمت إعادة تشكيل الإخراج المجزأ مرة أخرى إلى 2D (np.reshape (clustered_array ، image.shape)) لتصور المناطق التشريحية مقابل مناطق الضوضاء14. يسرد الجدول 1 إعدادات التجزئة.

رقم الريالقيمة كدقة
130.761
250.869
370.75

الجدول 1: قيم k مع دقة التحقق من الصحة الخاصة بها. يعرض هذا الجدول دقة التحقق من الصحة التي تم الحصول عليها لقيم مختلفة لمعلمة التجميع k المستخدمة في خطوة تجزئة K-means لخط أنابيب إزالة الضوضاء. توضح النتائج أن k = 5 ينتج عنه أعلى دقة ، مما يوجه الاختيار الأمثل لمعلمات التجميع.

تجزئة K-Means: إعادة التشكيل والكتلة (Python / scikit-learn) باستخدام الكود أدناه.

figure-protocol-9

قم بإجراء معاينة الألوان (اختياري) وتعيين التسميات إلى الألوان لمراقبة الجودة المرئية وحواف التراكب من الصورة الحادة. اختر K عن طريق الجري باستخدام K = 3 و K = 5 ؛ حساب دقة التحقق من الصحة في اتجاه مجرى النهر (الجدول 1 يسرد الإعدادات; يوضح الشكل 6 الدقة مقابل K). هذه نقطة تفتيش. مراقبة وحدات البكسل المهيمنة على الضوضاء التي تشكل مجموعات مميزة ؛ يجب أن تظل المناطق التشريحية متجاورة. إذا ظهرت بقع صغيرة ، فقم بتطبيق الحدود التشريحية.

تقليل الضوضاء المستندة إلى الشبكة العصبية
وصف الهندسة المعمارية: انظر الشكل 8 للاطلاع على مخطط وحدة فك تشفير عنق الزجاجة. تم تطوير جهاز تشفير ذاتي قائم على CNN باستخدام TensorFlow / Keras. تضمنت الهندسة المعمارية: طبقة الإدخال: صورة ذات تدرج رمادي 256 × 256 ، جهاز تشفير بثلاث طبقات تلافيفية (النواة: 3 × 3 ، خطوة: 1 ، تنشيط ReLU) ، كل منها متبوعا بأقصى تجميع ؛ عنق الزجاجة كتمثيل كامن كثيف ، وحدة فك ترميز بثلاث طبقات لأخذ العينات مع الالتفافات المنقولة ، الإخراج كطبقة منشطة بالسيني تنتج صورة خالية من الضوضاء. يوفر الجدول 2 معلمات معمارية كاملة للطبقة.

figure-protocol-10
الشكل 8: النتائج المرئية لعملية إزالة الضوضاء. يقدم صورة صاخبة أصلية وصورة معالجة مسبقا ومخرجات نهائية غير ضوئية جنبا إلى جنب للتقييم النوعي. يوضح الحفاظ على الحواف وتقليل القطع الأثرية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

رقم الريالسمات التحويل البرمجيقيم سمات التحويل البرمجي
1محسنآدم
2ضياعإنتروبيا متقاطعة فئوية
3المقاييسدقة

الجدول 2: سمات التجميع للشبكة العصبية. يوضح هذا الجدول بالتفصيل معلمات التجميع الرئيسية المستخدمة لتدريب نموذج التشفير الذاتي التلافيفي. تم تنفيذ هذه الإعدادات في TensorFlow وتتضمن المحسن ووظيفة الخسارة ومقياس التقييم وعدد الفترات وحجم الدفعة.

تكوين التدريب: تضمنت معلمات التدريب: وظيفة الخسارة كمتوسط الخطأ التربيعي (MSE) ، والمحسن مثل آدم (معدل التعلم = 0.001) ، وحجم الدفعة 32 ، والعصور 100 مع التوقف المبكر (الصبر = 10).

فيما يلي لمحة موجزة عن التدريب. ابدأ التدريب بالانتقال إلى Colab والنقر فوق وقت التشغيل > تشغيل الكل ؛ تأكد من إدراج وحدة معالجة الرسومات (على سبيل المثال ، Tesla T4). استخدم رمز python / train_autoencoder.py --data_root البيانات --epochs 100 --batch 32 --lr 0.001 --early_stop 10. المراقبة باستخدام وحدة التحكم تطبع العصر train_loss و val_loss والوقت/الحقبة. التوقف المبكر وراء الصبر = 10 حقب دون تحسن. يتم حفظ أفضل نموذج في runs/.../checkpoints/best.h5. هذه نقطة تفتيش ، لاحظ باستخدام model.summary () الذي يعرض مكدس الطبقة. يجب أن يتطابق عدد المعلمات مع الجدول 2. إذا تلقيت أخطاء OOM، فقم بتقليل الدفعة إلى 16 أو قم بتعيين حجم الإدخال إلى 224 × 224.

نقاط التفتيش المتوسطة واستكشاف الأخطاء وإصلاحها
بعد التوضيح والتجزئة ، قم بمعاينة ثلاث صور لكل تقسيم وتأكد من (i) تحسين الحواف ، (ii) محاذاة أقنعة الكتلة مع علم التشريح. أثناء التدريب ، تأكد من انخفاض فقدان التحقق من الصحة وعدم تباعده. إذا بدا الإخراج غير الضوضي مفرطا في سلاسة ، فقم بتقليل مركز النواة (4.5) ، أو قم بزيادة فترات التدريب بمقدار 10 بمعدل تعلم أقل (على سبيل المثال ، 5e-4).

تقييم الأداء: تم استخدام المقاييس الكمية التالية: ذروة نسبة الإشارة إلى الضوضاء (PSNR) ، ومقياس مؤشر التشابه الهيكلي (SSIM) ، ودقة التحقق من تصنيف الصور غير الضوضية.

قامت الطريقة المقترحة بتحسين PSNR من 21.52 إلى 28.14 ديسيبل و SSIM من 0.76 إلى 0.86 مقارنة بنماذج خط الأساس المعروضة في 7,16. تم تسجيل كفاءة الطاقة من خلال مراقبة استخدام وحدة معالجة الرسومات (سجلات NVIDIA-SMI) ووقت التدريب. يلخص الجدول 3 النتائج المخفضة للضوضاء.

رقم الريالمترينموذج خط الأساس
1متوسط وقت العصر (ثانية)25.8
2إجمالي طاقة التدريب (كيلوواط ساعة)0.52
3استخدام وحدة معالجة الرسومات (٪)85%
4وقت الاستدلال لكل صورة (مللي ثانية)18.7
5دقة التحقق من الصحة (٪)76.19%
6PSNR (ديسيبل)21.52
7SSIM0.7619

الجدول 3: مقاييس تقييم الأداء لخط الأساس مقابل الطريقة المقترحة. يقارن هذا الجدول خط أنابيب تقليل الضوضاء المقترح بنموذج خط الأساس عبر العديد من مقاييس الأداء ، بما في ذلك وقت التدريب واستخدام وحدة معالجة الرسومات ومقاييس الجودة (PSNR و SSIM ودقة التحقق من الصحة). تشير النتائج إلى تحسين كفاءة الطاقة وجودة الصورة بالطريقة المقترحة.

حساب PSNR / SSIM واستخدام الطاقة. بالنسبة إلى PSNR / SSIM (صورة scikit) ، استخدم الكود أدناه.

figure-protocol-11

لاستخدام طاقة الحوسبة/وحدة معالجة الرسومات، قم بتشغيل الخلية التي تسجل nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 لتشغيل /.../gpu_log.csv أثناء التدريب (متوفرة في دفتر الملاحظات). في محطة طرفية ثانية، قم بتشغيل التعليمات البرمجية التالية:

figure-protocol-12

تحليل CSV لحساب متوسط الطاقة (W) والتكامل بمرور وقت التدريب للطاقة المقدرة (Wh = kWh). يجمع الكمبيوتر المحمول PSNR و SSIM ودقة التحقق من الصحة ووقت العصر والطاقة في results_table3.csv للتضمين المباشر.

تقييم الاستدامة ومحاكاة التطبيب عن بعد
لتقييم استدامة أجهزة الجهاز ، قمنا بتطبيق ضوضاء Gaussian و Poisson لمحاكاة تدهور الصورة من الأجهزة القديمة. أعاد النموذج هذه المدخلات المتدهورة إلى جودة شبه تشخيصية ، مما يتحقق من قوتها27،28،29. في محاكاة التطبيب عن بعد ، تم إرسال الصور غير الضوضوية عن طريق محاكاة عرض النطاق الترددي 256 كيلوبت في الثانية باستخدام مآخذ بايثون. تم الاحتفاظ بالوضوح البصري ، ودعم التشخيص عن بعد30،31،32.

لمحاكاة شيخوخة الجهاز ، قم بتطبيق الضوضاء الغاوسية (σ = 10-30) وضوضاء بواسون لتنظيف الصور (محاكاة تقادم الخلية) وحفظها في البيانات / محاكاة / قديمة /. تشغيل النموذج المدرب على المدخلات القديمة / ؛ حفظ المخرجات في النتائج/aged_denoised/. لاحظ أن الجودة المرئية يجب أن تصل إلى دقة شبه تشخيصية ؛ قارن PSNR / SSIM مع خط الأساس.

لاختبار عرض النطاق الترددي للتطبيب عن بعد ، قم بضغط الصور غير الضوئية إلى PNG / JPEG بنسبة 85٪ -95٪ وأرسل ارتباطا محاكاة 256 كيلوبت في الثانية باستخدام اختبار مقبس Python (telemed_sim.py) المقدم قياس وقت الرحلة ذهابا وإيابا وتجزئة سلامة الملفات. تحقق من عدم تقديم أي عناصر تشخيصية. لاحظ أنه يتم الحفاظ على الوضوح المرئي وأحجام الملفات المناسبة لمهام سير العمل ذات النطاق الترددي المنخفض.

نقطة نهاية البروتوكول
عند الانتهاء ، يجب أن يكون لديك: (1) صور حادة في preproc / enhanced / ، (ii) صور مجزأة في preproc / مجزأة / ، (3) جهاز تشفير ذاتي مدرب مع best.h5 في عمليات التشغيل /.../نقاط التفتيش / ، (4) مخرجات غير ضوضاء للاختبار والصور القديمة في النتائج / (v) ملف مقاييس مترجم (results_table3.csv) يلخص PSNR و SSIM ودقة التحقق من الصحة ووقت العصر والطاقة المقدرة.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نتائج المعالجة المسبقة والتجزئة
حسنت مرحلة المعالجة المسبقة الأولية رؤية الحدود التشريحية الحرجة مع تقليل تداخل الخلفية. كما هو موضح في الشكل 7 ، أظهرت الصور الحادة تعريفا أوضح للحافة ، مما ساعد في تجزئة المصب. نجحت الصور المجزأة التي تم إنشاؤها باستخدام تجميع K-means بقيم K = 3 و 5 في عزل وحدات البكسل الثقيلة للضوضاء من المناطق ذات الصلة من الناحية التشخيصية33. أنتجت هذه الخطوة صورا مجزأة حافظت على الدقة الهيكلية وقللت من تأثير الضوضاء

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا العمل نهجا هجينا لتقليل الضوضاء يدمج المعالجة المسبقة للصور مع جهاز تشفير ذاتي تلافيفي لتحسين جودة الصورة التشخيصية مع تحسين استخدام الطاقة والأداء الحسابي.

تجمع الطريقة بين مرشحات الشحذ وتجميع K-means في مرحلة المعالجة المسبقة لتحسين وضوح الحافة وتقليل الضوضاء غير ذات الصلة ، والتي يتبعها بعد ذلك جهاز تشفير ذاتي قائم على CNN لتقليل التشفير التكيفي. يقلل خط الأنابيب الهجين هذا من العمليات الحسابية غير الضرورية ويسرع التقارب أثناء التدريب.

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا يوجد تضارب في المصالح للإعلان.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يود المؤلفون أن يعبرون عن خالص امتنانهم لجامعة فيشواكارما (VU) ، بيون ، وقسم هندسة الكمبيوتر ، معهد فيشواكارما للتكنولوجيا (VIT) ، بيون ، لتوفير البنية التحتية اللازمة ومجموعات البيانات ومرافق الحوسبة لهذا البحث. نتقدم بشكر خاص للطلاب المتدربين على دعمهم في إعداد البيانات والاختبار الأولي. لم يتم دعم هذا العمل بأي منحة محددة من وكالات التمويل في القطاعات العامة أو التجارية أو غير الهادفة للربح.

مساهمة المؤلف:
ساهم Vidula Meshram في تصور المنهجية ، وتصميم نموذج المعالجة المسبقة وتقليل الضوضاء ، والإشراف على المخطوطات. قاد فيشال أ. ميشرام تنفيذ الخوارزمية ، وأجرى تجارب التدريب والاختبار وتقييم الطاقة ، وساهم في كتابة المخطوطات وتحريرها. دعم Pallavi Rege تنظيم البيانات ومراجعة الأدبيات والتحقق من الاقتباس. عمل Gandharva Thite على ترميز بنية التشفير الذاتي ، وإنشاء الأشكال والجداول ، وساعد في تقييم الأداء. عمل كايلاس باتيل وشريكانت جادهاف كمؤلفين مراسلين ، وساهموا في التحقق الفني ، ومراجعة المخطوطة ، ووضع اللمسات الأخيرة على التقديم.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
مختبر جوجلجوجلغير متاحالنظام الأساسي السحابي المستخدم لتدريب النماذج واختبارها
كيراس (الإصدار 2.x)مفتوح المصدرغير متاحواجهة برمجة تطبيقات عالية المستوى ل TensorFlow تستخدم لتنفيذ الشبكة العصبية
Matplotlib (الإصدار 3.4 أو أعلى)مفتوح المصدرغير متاحتستخدم لتصور الصور والنتائج
مايكروسوفت إكسل 365مايكروسوفتغير متاحتستخدم لجدولة النتائج وتحليلها
NumPy (الإصدار 1.21 أو أعلى)مفتوح المصدرغير متاحتستخدم لعمليات المصفوفة والحوسبة العددية
وحدة معالجة الرسومات NVIDIA Tesla T4نفيدياغير متاحتستخدم وحدة معالجة الرسومات للتدريب والاستدلال السريع
مجموعة بيانات التصوير الطبي المتاحة للجمهور (صور التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي)قواعد البيانات مفتوحة المصدرغير متاحتستخدم كبيانات مصدر لتدريب النموذج والتحقق من صحته واختباره
Python (الإصدار 3.8 أو أعلى)مؤسسة برامج بايثونغير متاحلغة البرمجة المستخدمة لتنفيذ النموذج
Scikit-learn (الإصدار 0.24 أو أعلى)مفتوح المصدرغير متاحتستخدم لتجميع K-means والمعالجة المسبقة
TensorFlow (v2.x)جدولغير متاحمكتبة التعلم العميق المستخدمة لتطوير نموذج CNN

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Qu, H., Liu, K., Zhang, L. Research on improved black widow algorithm for medical image denoising. Sci Rep. 14 (1), 2514(2024).
  2. Asiri, A. A., et al. Optimized brain tumor detection: A dual-module approach for MRI image enhancement and tumor classification. IEEE Access. 12, 42868-42887 (2024).
  3. Lee, S., Lee, J. K., Lee, J. Multihead neural network for multiple segmented images-based diagnosis of thyroid-associated orbitopathy activity. IEEE Access. 12, 43862-43873 (2024).
  4. Pan, S., Li, Y. EBDNet: Integrating optical flow with kernel prediction for burst denoising. IEEE Transact Circuits Syst Video Technol. 34 (9), 8456-8468 (2024).
  5. Gupta, M., et al. Medical image denoising using convolutional autoencoder with shortcut connections. 2023 5th Int Conf Smart Syst Inventive Technol (ICSSIT), IEEE. , 1524-1528 (2023).
  6. Muksimova, S., et al. Enhancing medical image denoising with innovative teacher-student model-based approaches for precision diagnostics. Sensors. 23 (23), 9502(2023).
  7. Fan, C. M., Liu, T. J., Liu, K. H. SUNet: Swin transformer UNet for image denoising. arXiv. , (2022).
  8. Hussain, S., et al. Modern diagnostic imaging technique applications and risk factors in the medical field: A review. BioMed Res Int. 2022, 5164970(2022).
  9. Patil, R., Bhosale, S. Medical image denoising techniques: A review. Int J Eng Sci Technol. 4 (1), 21-33 (2022).
  10. Wang, F., et al. Local-global feature-aware transformer based residual network for hyperspectral image denoising. IEEE Transact Geosci Remote Sensing. 60, 1-19 (2022).
  11. Yaroshchak, S., Smaida, M., El Barg, Y. Medical image enhancement based on convolutional denoising autoencoders and GMD model. MoMLeT+ DS: 3rd Int Workshop Modern Machine Learning Technol Data Sci. , (2021).
  12. Pradeep, S., Nirmaladevi, P. A review on speckle noise reduction techniques in ultrasound medical images based on spatial domain, transform domain and CNN methods. IOP Conf Series Mater Sci Eng. 1055 (1), 012116(2021).
  13. Li, Y., et al. A novel medical image denoising method based on conditional generative adversarial network. Computat Mathemat Methods Med. 2021, 1-11 (2021).
  14. Sharif, S. M. A., Naqvi, R. A., Biswas, M. Learning medical image denoising with deep dynamic residual attention network. Mathematics. 8 (12), 2192(2020).
  15. Diwakar, M., Singh, P. CT image denoising using multivariate model and its method noise thresholding in non-subsampled shearlet domain. Biomed Signal Proc Control. 57, 101754(2020).
  16. Sagheer, S. V. M., George, S. N. A review on medical image denoising algorithms. Biomed Signal Proc Cont. 61, 102036(2020).
  17. Fan, L., et al. Brief review of image denoising techniques. Vis Computing Indust Biomed Art. 2 (1), 7(2019).
  18. Kollem, S., Reddy, K. R. L., Rao, D. S. A review of image denoising and segmentation methods based on medical images. Int J Machine Learning Comput. 9 (3), 288-295 (2019).
  19. Gondara, L. Medical image denoising using convolutional denoising autoencoders. 2016 IEEE 16th Int Conf Data Mining Workshops (ICDMW), IEEE. , 241-246 (2016).
  20. Ameen, M., Ahmed, S. A. An extensive review of medical image denoising techniques. Global J Med Res. 16 (2), 85-90 (2016).
  21. Satheesh, S., Prasad, K. V. S. V. R. Medical image denoising using adaptive threshold based on contourlet transform. arXiv. , (2011).
  22. Thamilselvan, P. Improving medical image preprocessing using denoising technique. ICTACT J Image Video Proc. 12 (3), 2650-2654 (2022).
  23. Kaur, S., Singla, J., Singh, A. Review on medical image denoising techniques. 2021 Int Conf Innovative Pract Technol Manag (ICIPTM), IEEE. , 61-66 (2021).
  24. Image noise causes. Pixop Blog. , Pixop. https://www.pixop.com/blog/image-noise-causes (2025).
  25. Brendlin, A. S., et al. Deep-learning denoising minimizes radiation exposure in neck CT. Acad Radiol. 31 (5), 2144-2155 (2024).
  26. Fan, C. M., Liu, T. J. Environmental sustainability and AI in radiology: A double-edged sword. Radiology. 232 (030), 1-10 (2024).
  27. Bolongkikit, S., Tang, C. K. S., Miskon, M. S. Medical e-waste: The environmental burden of obsolete healthcare equipment. IEEE Eng Manag Rev. 51 (2), 32-41 (2023).
  28. Kaushik, K., Tiwari, R. Software-based enhancement of legacy imaging devices in rural healthcare. Health Informat J. 30 (1), 112-125 (2024).
  29. Aslam, S., Usman, A., Doyle, D. V. Eco-smart medical technologies: Extending equipment lifespan via AI-driven optimization. Sustainable Computing Informat Syst. 39, 100932(2024).
  30. Wang, J., et al. Effectiveness of AI for enhancing computed tomography image quality and reducing radiation dose: A meta-analysis. J Med Internet Res. 27 (1), e66622(2025).
  31. Zhang, Q., et al. AI: Reducing the environmental impact of deep learning. IEEE Transact Artificial Intelligence. 4 (3), 270-282 (2023).
  32. Strubell, E., Ganesh, A., McCallum, A. Energy and policy considerations for deep learning in NLP. Proc ACL. , 3645-3650 (2020).
  33. Meshram, V., Patil, K., Meshram, V. Effective medicine management for visually impaired people: PocketMed. ICIC Express Lett. 17 (12), 1331-1340 (2023).
  34. Suryawanshi, Y., Meshram, V., Meshram, V., Patil, K., Chumchu, P. Face mask wearing image dataset: A comprehensive benchmark for image-based face mask detection models. Data in Brief. 51, 109755(2023).
  35. de Souza, F. M., et al. Sustainable machine learning: Foundations and trends. ACM Comput Surveys. 56 (2), 1-35 (2024).
  36. Meshram, V., Meshram, V., Patil, K., Suryawanshi, Y., Chumchu, P. A comprehensive dataset of damaged banknotes in Indian currency (Rupees) for analysis and classification. Data in Brief. 51, 109699(2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Energy Efficient DenoisingMedical ImagingImage EnhancementK Means ClusteringConvolutional AutoencoderSharpening KernelsCT ImagingMRI ImagingAdaptive ThresholdingTelemedicine Workflows
Video Coming Soon

Related Articles