Techniques de débruitage économes en énergie basées sur l’apprentissage automatique pour une imagerie médicale durable

Summary

Cette étude propose une méthodologie de débruitage économe en énergie qui intègre le prétraitement des images pour améliorer la qualité de l’image médicale, réduire les coûts de calcul et soutenir des pratiques de diagnostic durables. La méthode améliore la clarté des scans à faible dose et hérités, permettant un diagnostic à distance tout en réduisant l’exposition aux rayonnements, la consommation d’énergie et les déchets électroniques.

Abstract

Les modèles conventionnels d’apprentissage profond ont démontré un potentiel de débruitage, mais sont confrontés à des défis tels que la charge de calcul étendue, la consommation d’énergie et le temps d’entraînement. Cette étude présente une méthodologie de débruitage économe en énergie qui intègre l’amélioration de l’image et le clustering des moyennes K comme techniques de prétraitement pour améliorer la qualité des entrées avant d’appliquer des réseaux neuronaux. Cette étude propose un pipeline de débruitage économe en énergie intégrant l’amélioration de l’image à l’aide de noyaux de netteté et la segmentation d’image par clustering K-means avant l’application d’un auto-encodeur convolutif. Les étapes de prétraitement ont permis au modèle d’identifier les limites anatomiques et de séparer les régions affectées par le bruit, améliorant ainsi la qualité des entrées et renforçant la convergence de l’entraînement. Le prétraitement affine les principales caractéristiques de l’image et distingue les régions affectées par le bruit, ce qui permet un seuillage adaptatif et un débruitage plus efficace avec un coût de calcul réduit. Le modèle proposé a été évalué à l’aide d’ensembles de données de tomodensitométrie et d’IRM accessibles au public. Les performances ont été évaluées à l’aide du rapport signal/bruit de crête (PSNR), de la mesure de l’indice de similarité structurelle (SSIM) et de la précision de la classification. Les résultats ont montré que le PSNR est passé de 21,52 dB à 28,14 dB ; SSIM est passé de 0,7619 à 0,8690, et la précision de la validation s’est également améliorée. Le prétraitement intégré a réduit le temps d’entraînement de ~20 % et réduit l’utilisation du GPU, prenant ainsi en charge la reproductibilité et le déploiement dans des environnements soumis à des contraintes de calcul. La méthodologie soutient des pratiques d’imagerie médicale durables en minimisant l’exposition aux rayonnements, en réduisant les examens répétés et en prolongeant la durée de vie des équipements d’imagerie plus anciens. Ce pipeline contribue à une imagerie médicale durable en minimisant l’exposition aux rayonnements, en réduisant les balayages répétés et en prolongeant la durée de vie des équipements d’imagerie existants. Il convient également au diagnostic à distance, améliorant les flux de travail de télémédecine dans les environnements à faibles ressources. De plus, l’approche prend en charge le diagnostic à distance, ce qui la rend adaptée aux applications de télémédecine dans les environnements à faibles ressources.

Introduction

L’imagerie médicale joue un rôle central dans le diagnostic et la planification du traitement en offrant des informations non invasives sur les conditions anatomiques et physiologiques internes. Plusieurs modalités d’imagerie, à savoir les rayons X, la tomodensitométrie (TDM), l’imagerie par résonance magnétique (IRM), l’échographie et la tomographie par émission de positons (TEP), sont couramment utilisées en milieu clinique pour détecter les anomalies, surveiller la progression de la maladie et guider les interventions ^1,2,3. Chaque modalité présente des avantages uniques, mais est vulnérable à diverses formes de dégradation de l’image causée par les limites de l’instrumentation, l’environnement d’acquisition et les algorithmes de reconstruction⁴.

La qualité de l’image est souvent compromise par le bruit, qui peut se manifester en raison d’effets thermiques, de protocoles à faible dose, d’interférences électroniques, de mouvements du patient ou d’un mauvais étalonnage ^5,6,7. Les images CT, par exemple, présentent fréquemment un bruit de Poisson en raison des limites du nombre de photons, tandis que les IRM sont sujettes au bruit gaussien et ricien résultant d’incohérences de champ magnétique et d’artefacts de reconstruction ^8,9. Ce bruit peut masquer les structures anatomiques fines et les signes pathologiques, ce qui peut entraîner des diagnostics erronés ou des séances d’imagerie répétées, ce qui augmente l’exposition aux rayonnements et les coûts des soins de santé. Les figures 1, 2 et 3 illustrent les modalités, les types et les causes du bruit dans les images médicales.

Figure 1 : Techniques de capture d’images médicales. Cette figure illustre les modalités d’imagerie médicale les plus couramment utilisées, notamment les rayons X, l’IRM, la TDM, la TEP et l’échographie. Chaque modalité sert des objectifs de diagnostic uniques et est sujette à des artefacts de bruit distincts. L’IRM et la TDM, par exemple, sont particulièrement sensibles aux distorsions basées sur le mouvement et la reconstruction. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Types de bruit d’image. Affiche différents types de bruit d’image affectant l’imagerie médicale, notamment le bruit gaussien, le bruit poivre et sel, le bruit de chatoiement et le bruit de Poisson. Chaque type de bruit affecte différemment l’intensité des pixels et la structure de l’image, ce qui influence l’efficacité du débruitage. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Causes du bruit de l’image. Cette figure résume les principales causes du bruit dans les systèmes d’imagerie médicale. Il s’agit notamment des erreurs de capteur, des interférences électroniques, du faible rapport signal/bruit (SNR), des mouvements du patient et du balayage à faible dose. La compréhension de ces sources éclaire le choix des techniques de prétraitement et de débruitage. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Pour surmonter ces défis, diverses techniques de débruitage ont été utilisées. Les méthodes classiques basées sur des filtres, telles que les filtres médians, gaussiens et de Wiener, sont efficaces en termes de calcul, mais entraînent souvent la perte de détails importants de l’image. Les techniques pilotées par modèle, telles que le seuillage d’ondelettes, le BM3D et la diffusion anisotrope, offrent une meilleure préservation structurelle, mais peuvent être sensibles au réglage des paramètres ou éprouver des difficultés dans des scénarios à fort bruit 10,11,12.

Avec l’avènement de l’apprentissage profond, les réseaux de neurones convolutifs (CNN) ont démontré des performances exceptionnelles dans le débruitage d’images médicales en apprenant des correspondances complexes entre les images bruitées et propres. Cependant, les réseaux profonds nécessitent généralement des ressources de calcul élevées et un temps d’entraînement prolongé, ce qui soulève des préoccupations quant à l’efficacité énergétique, en particulier dans les contextes cliniques aux ressources limitées 13,14,15.

Pour remédier à ces limitations, des recherches récentes se sont concentrées sur des cadres de débruitage hybrides qui intègrent des techniques de prétraitement avec des réseaux neuronaux pour réduire la complexité et améliorer les performances. Des techniques telles que l’amélioration de l’image et la segmentation basée sur le clustering K-means se sont révélées prometteuses pour isoler les structures anatomiques pertinentes et minimiser la charge sur les algorithmes d’apprentissage 16,17,18.

En plus du débruitage, les techniques de fusion d’images multimodales ont progressé pour améliorer les détails du diagnostic en combinant les données de différentes modalités d’imagerie. Des travaux récents mettent en évidence les innovations en cours dans le domaine du traitement d’images médicales 19,20,21,22,23.

La figure 4 montre comment le bruit peut dégrader la clarté de l’image et potentiellement entraver les interprétations cliniques. Ces limites motivent le besoin d’approches de débruitage haute fidélité et économes en énergie qui préservent la pertinence clinique.

Figure 4 : Impact du bruit sur la qualité du diagnostic. Démontre comment le bruit obscurcit les détails anatomiques dans les IRM et les tomodensitogrammes. La comparaison des images originales et bruyantes révèle une dégradation de la clarté visuelle, en particulier le long des limites des organes et des interfaces des tissus mous. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Cette étude propose un nouveau pipeline de débruitage qui combine l’amélioration basée sur l’affûtage et la segmentation des moyennes K avec un auto-encodeur basé sur CNN pour réduire le bruit tout en améliorant l’efficacité de calcul. Le modèle proposé est validé à l’aide de mesures standard et d’ensembles de données de référence. De plus, nous évaluons son applicabilité à la télémédecine, à l’utilisation d’équipements existants et à l’informatique durable, en comblant les lacunes des solutions conventionnelles d’apprentissage profond 24,25,26.

Protocol

Cette étude a utilisé exclusivement des ensembles de données d’imagerie CT et IRM anonymisées et accessibles au public. Aucun sujet humain ou animal vivant n’a été impliqué. Par conséquent, il n’était pas nécessaire d’obtenir l’approbation d’un comité d’examen institutionnel (CISR) ou d’un comité d’éthique.

Vue d’ensemble de la méthode
Ce protocole présente un pipeline reproductible pour le débruitage d’images médicales économes en énergie. Il combine des techniques de prétraitement, y compris des filtres d’affûtage et le clustering de K-means, avec un auto-encodeur basé sur un réseau neuronal convolutif (CNN) pour débruiter les images. Cette méthode intégrée améliore la qualité de l’image tout en réduisant le temps de formation et la consommation d’énergie du matériel, ce qui permet un diagnostic médical durable 19,20,21,22,23. La figure 5 résume le cadre de bout en bout.

Figure 5 : Architecture du cadre de débruitage proposée. Cette figure présente l’ensemble du pipeline : acquisition de données, prétraitement (affûtage + segmentation des moyennes K), suivi du débruitage de l’auto-encodeur basé sur CNN. Il met l’accent sur l’approche hybride visant à réduire la consommation d’énergie tout en préservant la fidélité structurelle. Veuillez cliquer ici pour voir une version agrandie de cette figure.

L’ensemble du flux de travail est résumé dans la figure 5, qui montre la séquence allant de la configuration de l’ensemble de données au prétraitement (netteté et K-moyennes) jusqu’à l’auto-encodeur CNN, le débruitage et les tests.

Configuration du logiciel et de l’environnement
Option A - Google Colab (recommandée pour la reproductibilité) : Allez dans colab.research.google.com, cliquez sur Nouveau bloc-notes. Sélectionnez Exécuter > Modifier le type d’exécution > Accélérateur matériel : GPU > Enregistrer. Cliquez sur Fichier > Charger pour importer le bloc-notes fourni et le .zip de l’ensemble de données (ou connectez-vous à Google Drive en cliquant sur Fichiers > Monter le lecteur). Dans la première cellule de code, installez les dépendances (déjà dans le notebook) : pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. Cliquez sur Exécution > Exécuter tout. Vérifiez que vous voyez : (i) un résumé de l’environnement avec les versions du package, (ii) le nom du GPU (dans la sortie de la cellule) et (iii) la création d’un dossier d’expérience runs/YYYY-MM-DD/.

Option B - Local (conda) : Ouvrez Anaconda Prompt/Terminal et exécutez :

Placez votre ensemble de données sous data/raw/ et les scripts sous code/. Exécuter : python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. Confirmez pour voir : l’impression de l’environnement, le GPU détecté et l’exécution d’un répertoire de journaux/AAAA-MM-JJ/.

Préparation de l’ensemble de données
Les ensembles de données publiques de tomodensitométrie et d’IRM proviennent de dépôts d’imagerie médicale. Ces ensembles de données contenaient du bruit typique des scanners cliniques du monde réel et ont été anonymisés conformément aux normes institutionnelles et éthiques ^8,9. Chaque image a été redimensionnée à 256 x 256 pixels et stockée au format PNG ou DICOM pour plus de compatibilité. Les ensembles de données ont été répartis de manière aléatoire comme suit : 70 % pour l’entraînement, 15 % pour la validation et 15 % pour les tests, assurant une distribution stratifiée des modalités d’imagerie et des niveaux de bruit. Les statistiques de bruit ont été mesurées à l’aide de la variance moyenne des pixels avant le débruitage.

Organiser les dossiers : créez un dossier comme décrit ci-dessous :

Pour ajouter des images, copiez les images CT/MRI anonymisées dans data/raw/CT et data/raw/MRI (PNG, JPG ou DICOM). Standardiser la taille de l’image à l’aide de Python (recommandé) : exécutez la cellule de bloc-notes Resize & Convert. Il charge chaque image, convertit les niveaux de gris si nécessaire et redimensionne à 256 x 256.

Une alternative consiste à utiliser GUI (alternative ImageJ/Fiji) comme décrit. Cliquez sur Fichier > Importer > séquence d’images (ou des images uniques), puis sur Type de > d’image > 8 bits, Image > Ajuster > taille... > 256 x 256, puis Fichier > Enregistrer sous > PNG dans data/preproc/.

Créer des fractionnements : exécutez le fractionnement de la cellule de bloc-notes Train/Val/Test (70/15/15) ; Il mélange les noms de fichiers et les copie dans data/splits/train|val|test/. La console imprime les comptes (par exemple, Train : 700, Val : 150, Test : 150). Point de contrôle (observer) : Ouvrez les données/fractionne/train/ et vérifiez que les images sont de 256 x 256 et en niveaux de gris (1 canal). Conservez un petit manifeste CSV (splits.csv) qui répertorie le chemin d’accès au fichier, la modalité et l’étiquette de fractionnement.

Prétraitement de l’image
Utilisez le noyau d’affûtage 3 x 3. Effectuez l’amélioration de l’image à l’aide d’un noyau d’accentuation. Un noyau de convolution d’affûtage a été utilisé pour améliorer les limites anatomiques avant la segmentation :

Ce filtre accentue les structures importantes en boostant les composantes haute fréquence ^4,5. Chaque image a été convoluée à l’aide de la bibliothèque OpenCV de Python (cv2.filter2D()) pour générer l’image améliorée. La figure 6 illustre les comparaisons avant-après.

Figure 6 : Graphique de précision de validation pour différentes valeurs de k. Diagramme à barres illustrant la précision de validation obtenue pour diverses valeurs de K utilisées dans l’étape de regroupement des K-moyennes (K = 2, 3, 4, 5). La précision culmine à K=3, indiquant une séparation optimale entre les structures anatomiques et les régions de bruit. Échelle : Valeurs de précision normalisées (0-1). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Postulez (Python/OpenCV) en utilisant le code ci-dessous.

Vous pouvez également utiliser l’interface graphique alternative (ImageJ/Fiji) en cliquant sur Traiter > filtres > Convolve. Collez la matrice 3 x 3 ci-dessus et cliquez sur OK > Fichier > Enregistrer sous > PNG dans data/preproc/enhanced/. Observez le point de contrôle lorsque les bords et les limites des organes semblent plus nets ; Si des halos trop aiguisés sont observés, réduisez le poids central du noyau de 5 à 4,5 et relancez. La figure 7 montre les résultats avant et après le débruitage. Les images avant présentent clairement du bruit et du flou, tandis que les images après affichent une clarté accrue, des limites anatomiques plus nettes et un contraste amélioré, démontrant l’efficacité du pipeline de débruitage proposé.

Figure 7 : Architecture réseau NAutoencoder à convolution. Illustre l’architecture de l’auto-encodeur : couche d’entrée, encodeur (couches Conv + Pool), goulot d’étranglement, décodeur (couches Conv suréchantillonnage + transposée). Chaque couche est étiquetée avec sa taille et sa fonction. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Clustering K-Means pour la segmentation
Les images améliorées ont été remodelées à l’aide de NumPy (image.reshape(-1, 1)) et regroupées à l’aide de sklearn.cluster.KMeans(n_clusters=3 ou 5). La sortie segmentée a été remodelée en 2D (np.reshape(clustered_array, image.shape)) pour visualiser les régions anatomiques par rapport aux zones de bruit¹⁴. Le tableau 1 répertorie les paramètres de segmentation.

Sr Non	Valeur de k	Exactitude
1	3	0.761
2	5	0.869
3	7	0.75

Tableau 1 : Valeurs de k avec les précisions de validation respectives. Ce tableau présente les précisions de validation obtenues pour différentes valeurs du paramètre de clustering k utilisé dans l’étape de segmentation des moyennes K du pipeline de débruitage. Les résultats démontrent que k = 5 donne la plus grande précision, guidant la sélection optimale des paramètres de clustering.

Segmentation K-Means : Remodelez et regroupez (Python/scikit-learn) à l’aide du code ci-dessous.

Effectuez un aperçu des couleurs (facultatif) et mappez les étiquettes aux couleurs pour un contrôle qualité visuel et des bords de superposition à partir de l’image nette. Choisissez K en exécutant avec K=3 et K=5 ; calculer la précision de la validation en aval (le Tableau 1 répertorie les paramètres ; La figure 6 montre la précision par rapport à K). Il s’agit d’un point de contrôle ; observer les pixels à dominante de bruit formant des grappes distinctes ; Les régions anatomiques doivent rester contiguës. Si de petites taches apparaissent, appliquez des limites anatomiques.

Débruitage basé sur un réseau neuronal
Description de l’architecture : voir la figure 8 pour le schéma codeur-goulot d’étranglement-décodeur. Un auto-encodeur basé sur CNN a été développé à l’aide de TensorFlow/Keras. L’architecture comprenait : couche d’entrée : image en niveaux de gris de 256 x 256, encodeur avec trois couches convolutives (noyau : 3 x 3, foulée : 1, activation de ReLU), chacune suivie d’un max-pooling ; goulot d’étranglement comme représentation latente dense, décodeur avec trois couches de suréchantillonnage avec circonvolutions transposées, sortie sous forme de couche activée par Sigmoïde produisant une image débruitée. Le tableau 2 fournit des paramètres architecturaux complets par couche.

Figure 8 : Résultats visuels du processus de débruitage. Présente l’image sonore d’origine, l’image prétraitée et la sortie débruitée finale côte à côte pour une évaluation qualitative. Démontre la préservation des bords et la réduction des artefacts. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Sr Non	Attributs de compilation	Valeurs des attributs de compilation
1	Optimiseur	Adam
2	Perte	Entropie croisée catégorielle
3	Métrique	Exactitude

Tableau 2 : Attributs de compilation du réseau de neurones. Ce tableau détaille les principaux paramètres de compilation utilisés pour entraîner le modèle d’auto-encodeur convolutif. Ces paramètres ont été implémentés dans TensorFlow et incluent l’optimiseur, la fonction de perte, la métrique d’évaluation, le nombre d’époques et la taille du lot.

Configuration de l’entraînement : les paramètres d’entraînement comprenaient : la fonction de perte en tant qu’erreur quadratique moyenne (MSE), l’optimiseur en tant qu’Adam (taux d’apprentissage = 0,001), la taille du lot de 32 et les époques en tant que 100 avec arrêt précoce (patience = 10).

Voici un bref aperçu de la formation. Lancez la formation en allant sur Colab et en cliquant sur Runtime > Run all ; confirmez que le GPU est répertorié (par exemple, Tesla T4). Utiliser python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10. À l’aide de la console, la console imprime l’époque, la train_loss, la val_loss et l’heure/l’époque. Déclencheurs d’arrêt précoce après patience = 10 époques sans amélioration. Le meilleur modèle est enregistré dans runs/.../checkpoints/best.h5. Il s’agit d’un point de contrôle, observez en utilisant model.summary() qui montre la pile de couches ; Le nombre de paramètres doit correspondre à celui de la Table 2. Si vous obtenez des erreurs OOM, réduisez le lot à 16 ou définissez la taille d’entrée sur 224 x 224.

Points de contrôle intermédiaires et dépannage
Après l’accentuation et la segmentation, prévisualisez trois images par division et vérifiez que (i) les bords sont améliorés, (ii) les masques de cluster s’alignent avec l’anatomie. Pendant la formation, assurez-vous que la perte de validation diminue et ne diverge pas. Si la sortie débruitée semble trop lissée, réduisez le centre du noyau (4.5) ou augmentez les époques d’entraînement de 10 avec un taux d’apprentissage plus faible (par exemple, 5e-4).

Évaluation des performances : Les mesures quantitatives suivantes ont été utilisées : rapport signal/bruit de crête (PSNR), mesure de l’indice de similarité structurelle (SSIM) et précision de validation de la classification des images débruitées.

La méthode proposée a permis d’améliorer le PSNR de 21,52 à 28,14 dB et le SSIM de 0,76 à 0,86 par rapport aux modèles de référence présentés en ^7,16. L’efficacité énergétique a été enregistrée par la surveillance de l’utilisation du GPU (journaux NVIDIA-SMI) et du temps d’entraînement. Le tableau 3 résume les résultats de la débruitage.

Sr Non	Métrique	Modèle de référence
1	Temps d’époque moyen (s)	25.8
2	Énergie totale d’entraînement (kWh)	0.52
3	Utilisation du GPU ( %)	85%
4	Temps d’inférence par image (ms)	18.7
5	Précision de la validation ( %)	76.19%
6	PSNR (dB)	21.52
7	Système d’identification	0.7619

Tableau 3 : Indicateurs d’évaluation du rendement de la base de référence par rapport à la méthode proposée. Ce tableau compare le pipeline de débruitage proposé à un modèle de référence sur plusieurs mesures de performances, notamment le temps d’entraînement, l’utilisation du GPU et les mesures de qualité (PSNR, SSIM et précision de validation). Les résultats indiquent une amélioration de l’efficacité énergétique et de la qualité de l’image avec la méthode proposée.

Calculez PSNR/SSIM et la consommation d’énergie. Pour PSNR/SSIM (scikit-image), utilisez le code ci-dessous.

Pour calculer l’utilisation de l’énergie/GPU, exécutez la cellule qui enregistre nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 pour exécuter/.../gpu_log.csv pendant l’entraînement (fourni dans le notebook). Dans un second terminal, exécutez le code suivant :

Analysez CSV pour calculer la puissance moyenne (W) et intégrez-la au fil du temps d’entraînement pour l’énergie estimée (Wh = kWh). Le bloc-notes agrège le PSNR, le SSIM, la précision de validation, l’heure d’époque et l’énergie en results_table3.csv pour une inclusion directe.

Évaluation de la durabilité et simulation de télémédecine
Pour évaluer la durabilité du matériel des appareils, nous avons appliqué des bruits gaussiens et de Poisson pour simuler la dégradation de l’image des appareils vieillissants. Le modèle a restauré ces entrées dégradées à une qualité proche du diagnostic, validant leur robustesse 27,28,29. Dans les simulations de télémédecine, les images débruitées ont été transmises par une bande passante simulée de 256 Kbps à l’aide de sockets Python. La clarté visuelle a été conservée, ce qui permet le diagnostic à distance 30,31,32.

Pour la simulation du vieillissement du dispositif, appliquez le bruit gaussien (σ=10-30) et le bruit de Poisson aux images nettes (simulation du vieillissement des cellules) et enregistrez-les dans data/simulated/aged/. Exécuter le modèle entraîné sur des entrées âgées/ ; Enregistrer les sorties dans results/aged_denoised/. Observez que la qualité visuelle doit atteindre une fidélité proche du diagnostic ; comparer PSNR/SSIM avec la référence.

Pour le test de bande passante de télémédecine, compressez les images débruitées en PNG/JPEG à 85 %-95 % et envoyez-les via une liaison simulée de 256 kbit/s à l’aide du test de socket Python fourni (telemed_sim.py). Mesurer le temps d’aller-retour et le hachage de l’intégrité des fichiers ; Vérifiez qu’aucun artefact de diagnostic n’est introduit. Observez que la clarté visuelle est préservée et que les tailles de fichier sont adaptées aux flux de travail à faible bande passante.

Point de terminaison du protocole
À la fin, vous devriez avoir : (i) des images affinées dans preproc/enhanced/, (ii) des images segmentées dans preproc/segmented/, (iii) un auto-encodeur entraîné avec best.h5 dans runs/.../checkpoints/, (iv) des sorties débruitées pour les tests et des images âgées dans results/, (v) un fichier de métriques compilé (results_table3.csv) résumant PSNR, SSIM, précision de validation, temps d’époque et énergie estimée.

Results

Résultats de prétraitement et de segmentation
La phase initiale de prétraitement a amélioré la visibilité des limites anatomiques critiques tout en réduisant les interférences de fond. Comme le montre la figure 7, les images affinées présentaient une définition plus claire des bords, ce qui a contribué à la segmentation en aval. Les images segmentées créées à l’aide du regroupement K-means avec des valeurs de K = 3 et 5 ont réussi à isoler les pixels riches en bruit des z...

Discussion

Ce travail présente une approche de débruitage hybride qui intègre le prétraitement d’image avec un autoencodeur convolutif pour améliorer la qualité de l’image diagnostique tout en optimisant la consommation d’énergie et les performances de calcul.

La méthode combine des filtres d’affûtage et un regroupement des moyennes K dans la phase de prétraitement pour améliorer la clarté des bords et réduire le bruit non pertinent, qui est ensuite suivi d’un auto-encod...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Colaboratoire Google	Google (en anglais)	N/A	Plateforme cloud utilisée pour l’entraînement et les tests de modèles
Keras (v2.x)	Logiciel libre	N/A	API de haut niveau pour TensorFlow utilisée pour l’implémentation de réseaux neuronaux
Matplotlib (v3.4 ou supérieur)	Logiciel libre	N/A	Utilisé pour la visualisation d’images et de résultats
Microsoft Excel 365	Microsoft	N/A	Utilisé pour la tabulation et l’analyse des résultats
NumPy (v1.21 ou supérieur)	Logiciel libre	N/A	Utilisé pour les opérations matricielles et le calcul numérique
Processeur graphique NVIDIA Tesla T4	NVIDIA	N/A	GPU utilisé pour l’entraînement accéléré et l’inférence
Ensemble de données d’imagerie médicale accessibles au public (images CT et IRM)	Bases de données open source	N/A	Utilisées comme données sources pour l’entraînement, la validation et les tests du modèle
Python (v3.8 ou supérieur)	Fondation du logiciel Python	N/A	Langage de programmation utilisé pour la mise en œuvre du modèle
Scikit-learn (v0.24 ou supérieur)	Logiciel libre	N/A	Utilisé pour le clustering et le prétraitement des K-moyennes
TensorFlow (v2.x)	table	N/A	Bibliothèque d’apprentissage profond utilisée pour le développement de modèles CNN