Técnicas de eliminación de ruido basadas en el aprendizaje automático energéticamente eficientes para imágenes médicas sostenibles

Summary

Este estudio propone una metodología de eliminación de ruido energéticamente eficiente que integra el preprocesamiento de imágenes para mejorar la calidad de las imágenes médicas, reducir el costo computacional y respaldar prácticas de diagnóstico sostenibles. El método mejora la claridad en los escaneos heredados y de baja dosis, lo que permite el diagnóstico remoto al tiempo que reduce la exposición a la radiación, el uso de energía y los desechos electrónicos.

Abstract

Los modelos convencionales de aprendizaje profundo han demostrado potencial de eliminación de ruido, pero enfrentan desafíos como una carga computacional extensa, uso de energía y tiempo de entrenamiento. Este estudio presenta una metodología de eliminación de ruido energéticamente eficiente que integra la mejora de imágenes y la agrupación de K-means como técnicas de preprocesamiento para mejorar la calidad de entrada antes de aplicar redes neuronales. Este estudio propone una tubería de eliminación de ruido energéticamente eficiente que integra la mejora de la imagen mediante núcleos de nitidez y la segmentación de imágenes a través de la agrupación de K-means antes de la aplicación de un autocodificador convolucional. Los pasos de preprocesamiento permitieron que el modelo identificara límites anatómicos y separara las regiones afectadas por el ruido, mejorando así la calidad de entrada y mejorando la convergencia del entrenamiento. El preprocesamiento agudiza las características clave de la imagen y distingue las regiones afectadas por el ruido, lo que permite un umbral adaptativo y una eliminación de ruido más efectiva con un costo computacional reducido. El modelo propuesto se evaluó utilizando conjuntos de datos de TC y RM disponibles públicamente. El rendimiento se evaluó a través de la relación señal-ruido máxima (PSNR), la medida del índice de similitud estructural (SSIM) y la precisión de la clasificación. Los resultados mostraron que la PSNR mejoró de 21,52 dB a 28,14 dB; SSIM aumentó de 0.7619 a 0.8690, y la precisión de validación también mejoró. El preprocesamiento integrado redujo el tiempo de entrenamiento en ~20% y disminuyó la utilización de la GPU, lo que respalda la reproducibilidad y la implementación en entornos con restricciones computacionales. La metodología respalda las prácticas sostenibles de imágenes médicas al minimizar la exposición a la radiación, reducir las exploraciones repetidas y extender la vida útil de los equipos de imágenes más antiguos. Esta tubería contribuye a la obtención de imágenes médicas sostenibles al minimizar la exposición a la radiación, reducir las exploraciones repetidas y extender la vida útil de los equipos de imágenes heredados. También es adecuado para diagnósticos remotos, mejorando los flujos de trabajo de telemedicina en entornos de bajos recursos. Además, el enfoque admite diagnósticos remotos, lo que lo hace adecuado para aplicaciones de telemedicina en entornos de bajos recursos.

Introduction

Las imágenes médicas desempeñan un papel fundamental en el diagnóstico y la planificación del tratamiento al ofrecer información no invasiva sobre las condiciones anatómicas y fisiológicas internas. Varias modalidades de imágenes, rayos X, tomografía computarizada (TC), resonancia magnética (RM), ultrasonido y tomografía por emisión de positrones (TEP), se utilizan de forma rutinaria en entornos clínicos para detectar anomalías, monitorear la progresión de la enfermedad y guiar las intervenciones ^1,2,3. Cada modalidad presenta ventajas únicas, pero es vulnerable a diversas fo....

Protocol

Este estudio utilizó exclusivamente conjuntos de datos de imágenes de TC y RM no identificados y disponibles públicamente. No hubo sujetos humanos o animales vivos involucrados. Por lo tanto, no se requirió la aprobación de la junta de revisión institucional (IRB) ni del comité de ética.

Descripción general del método
Este protocolo presenta una canalización reproducible para la eliminación de ruido de imágenes médicas energéticamente eficientes. Combina técnicas de preprocesamiento, incluidos filtros de nitidez y agrupación de K-means, con un autocodificador basado en una red neuronal convolucional (CNN) para eliminar e....

Results

Resultados de preprocesamiento y segmentación
La fase inicial de preprocesamiento mejoró la visibilidad de los límites anatómicos críticos al tiempo que redujo la interferencia de fondo. Como se visualiza en la Figura 7, las imágenes nítidas exhibieron una definición de borde más clara, lo que ayudó en la segmentación posterior. Las imágenes segmentadas creadas mediante la agrupación de K-medias con valores de K = 3 y 5 aislaron con éxito los píxeles con mucho ruido de la.......

Discussion

Este trabajo presenta un enfoque híbrido de eliminación de ruido que integra el preprocesamiento de imágenes con un autocodificador convolucional para mejorar la calidad de la imagen de diagnóstico al tiempo que optimiza el uso de energía y el rendimiento computacional.

El método combina filtros de nitidez y agrupación de K-means en la fase de preprocesamiento para mejorar la claridad de los bordes y reducir el ruido irrelevante, que luego es seguido por un au.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Colaboratorio de Google	Google	N/A	Plataforma en la nube utilizada para el entrenamiento y las pruebas de modelos
Keras (v2.x)	Código abierto	N/A	API de alto nivel para TensorFlow utilizada para la implementación de redes neuronales
Matplotlib (v3.4 o superior)	Código abierto	N/A	Se utiliza para la visualización de imágenes y resultados
Microsoft Excel 365	Microsoft	N/A	Se utiliza para la tabulación y el análisis de resultados
NumPy (v1.21 o superior)	Código abierto	N/A	Se utiliza para operaciones matriciales y computación numérica
NVIDIA Tesla T4 GPU	NVIDIA	N/A	GPU utilizada para entrenamiento e inferencia acelerados
Conjunto de datos de imágenes médicas disponibles públicamente (imágenes de TC y RM)	Bases de datos de código abierto	N/A	Se utilizan como datos de origen para el entrenamiento, la validación y las pruebas de modelos
Python (v3.8 o superior)	Fundación de software Python	N/A	Lenguaje de programación utilizado para la implementación del modelo
Scikit-learn (v0.24 o superior)	Código abierto	N/A	Se utiliza para la agrupación y el preprocesamiento de K-medias
TensorFlow (v2.x)	mesa	N/A	Biblioteca de aprendizaje profundo utilizada para el desarrollo de modelos CNN