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

Summary

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

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

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 التدخلات^1،2،3. تظهر كل طريقة مزايا فريدة ولكنها عرضة لأشكال مختلفة من تدهور الصورة الناجمة عن قيود الأجهزة وبيئة الاستحواذ وخوارزميات إعادة البناء⁴.

Protocol

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....

Results

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

Discussion

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.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
مختبر جوجل	جوجل	غير متاح	النظام الأساسي السحابي المستخدم لتدريب النماذج واختبارها
كيراس (الإصدار 2.x)	مفتوح المصدر	غير متاح	واجهة برمجة تطبيقات عالية المستوى ل TensorFlow تستخدم لتنفيذ الشبكة العصبية
Matplotlib (الإصدار 3.4 أو أعلى)	مفتوح المصدر	غير متاح	تستخدم لتصور الصور والنتائج
مايكروسوفت إكسل 365	مايكروسوفت	غير متاح	تستخدم لجدولة النتائج وتحليلها
NumPy (الإصدار 1.21 أو أعلى)	مفتوح المصدر	غير متاح	تستخدم لعمليات المصفوفة والحوسبة العددية
وحدة معالجة الرسومات NVIDIA Tesla T4	نفيديا	غير متاح	تستخدم وحدة معالجة الرسومات للتدريب والاستدلال السريع
مجموعة بيانات التصوير الطبي المتاحة للجمهور (صور التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي)	قواعد البيانات مفتوحة المصدر	غير متاح	تستخدم كبيانات مصدر لتدريب النموذج والتحقق من صحته واختباره
Python (الإصدار 3.8 أو أعلى)	مؤسسة برامج بايثون	غير متاح	لغة البرمجة المستخدمة لتنفيذ النموذج
Scikit-learn (الإصدار 0.24 أو أعلى)	مفتوح المصدر	غير متاح	تستخدم لتجميع K-means والمعالجة المسبقة
TensorFlow (v2.x)	جدول	غير متاح	مكتبة التعلم العميق المستخدمة لتطوير نموذج CNN