Research Article

Tecniche di denoising basate sull'apprendimento automatico ad alta efficienza energetica per l'imaging medico sostenibile

DOI:

10.3791/68968

⸱

September 16th, 2025

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

In This Article

Summary

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

Questo studio propone una metodologia di denoising efficiente dal punto di vista energetico che integra la pre-elaborazione delle immagini per migliorare la qualità delle immagini mediche, ridurre i costi computazionali e supportare pratiche diagnostiche sostenibili. Il metodo migliora la chiarezza nelle scansioni a basso dosaggio e legacy, consentendo la diagnosi remota e riducendo l'esposizione alle radiazioni, il consumo di energia e i rifiuti elettronici.

Abstract

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

I modelli convenzionali di deep learning hanno dimostrato un potenziale di riduzione del rumore, ma devono affrontare sfide come l'elevato carico computazionale, il consumo di energia e il tempo di addestramento. Questo studio presenta una metodologia di denoising efficiente dal punto di vista energetico che integra il miglioramento dell'immagine e il clustering K-means come tecniche di pre-elaborazione per migliorare la qualità dell'input prima di applicare le reti neurali. Questo studio propone una pipeline di denoising efficiente dal punto di vista energetico che integra il miglioramento dell'immagine utilizzando kernel di nitidezza e la segmentazione dell'immagine attraverso il clustering K-means prima dell'applicazione di un autoencoder convoluzionale. Le fasi di pre-elaborazione hanno permesso al modello di identificare i confini anatomici e separare le regioni interessate dal rumore, migliorando così la qualità dell'input e la convergenza dell'allenamento. La pre-elaborazione rende più nitide le caratteristiche chiave dell'immagine e distingue le regioni interessate dal rumore, consentendo una soglia adattiva e una riduzione del rumore più efficace con costi computazionali ridotti. Il modello proposto è stato valutato utilizzando set di dati TC e MRI disponibili pubblicamente. Le prestazioni sono state valutate attraverso il rapporto segnale/rumore di picco (PSNR), la misura dell'indice di somiglianza strutturale (SSIM) e l'accuratezza della classificazione. I risultati hanno mostrato che il PSNR è migliorato da 21,52 dB a 28,14 dB; SSIM è aumentato da 0,7619 a 0,8690 e anche la precisione della convalida è migliorata. La pre-elaborazione integrata ha ridotto i tempi di addestramento del ~20% e l'utilizzo della GPU, supportando così la riproducibilità e l'implementazione in ambienti con vincoli di calcolo. La metodologia supporta pratiche di imaging medico sostenibili riducendo al minimo l'esposizione alle radiazioni, riducendo le scansioni ripetute e prolungando la durata delle apparecchiature di imaging più vecchie. Questa pipeline contribuisce a un imaging medico sostenibile riducendo al minimo l'esposizione alle radiazioni, riducendo le scansioni ripetute e prolungando la durata delle apparecchiature di imaging legacy. È adatto anche per la diagnostica remota, migliorando i flussi di lavoro della telemedicina in contesti con poche risorse. Inoltre, l'approccio supporta la diagnostica remota, rendendolo adatto per applicazioni di telemedicina in contesti con risorse limitate.

Introduction

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

L'imaging medico svolge un ruolo fondamentale nella diagnostica e nella pianificazione del trattamento, offrendo informazioni non invasive sulle condizioni anatomiche e fisiologiche interne. Diverse modalità di imaging, raggi X, tomografia computerizzata (TC), risonanza magnetica (MRI), ultrasuoni e tomografia a emissione di positroni (PET), sono utilizzate di routine in ambito clinico per rilevare anomalie, monitorare la progressione della malattia e guidare gli interventi 1,2,3. Ogni modalità presenta vantaggi unici, ma è vulnerabile a varie forme di degradazione dell'immagine causate da limitazioni della strumentazione, dell'ambiente di acquisizione e degli algoritmi di ricostruzione4.

La qualità dell'immagine è spesso compromessa dal rumore, che può manifestarsi a causa di effetti termici, protocolli a basso dosaggio, interferenze elettroniche, movimento del paziente o calibrazione errata 5,6,7. Le immagini TC, ad esempio, mostrano frequentemente rumore di Poisson a causa delle limitazioni del conteggio dei fotoni, mentre le scansioni MRI sono soggette a rumore gaussiano e riciano derivante da incongruenze del campo magnetico e artefatti di ricostruzione 8,9. Questo rumore può oscurare le strutture anatomiche fini e i segni patologici, portando potenzialmente a diagnosi errate o ripetute sessioni di imaging, che a loro volta aumentano l'esposizione alle radiazioni e i costi sanitari. Le Figure 1, 2 e 3 illustrano le modalità, i tipi e le cause del rumore nelle immagini mediche.

figure-introduction-1
Figura 1: Tecniche di acquisizione di immagini mediche. Questa figura illustra le modalità di imaging medico più comunemente utilizzate, tra cui raggi X, risonanza magnetica, TC, PET ed ecografia. Ogni modalità serve a scopi diagnostici unici ed è soggetta ad artefatti di rumore distinti. La risonanza magnetica e la TC, ad esempio, sono particolarmente sensibili al movimento e alle distorsioni basate sulla ricostruzione. Clicca qui per visualizzare una versione più grande di questa figura.

figure-introduction-2
Figura 2: Tipi di rumore dell'immagine. Visualizza vari tipi di rumore dell'immagine che influiscono sull'imaging medico, tra cui il rumore gaussiano, il rumore sale e pepe, il rumore speckle e il rumore di Poisson. Ogni tipo di disturbo influisce in modo diverso sull'intensità dei pixel e sulla struttura dell'immagine, influenzando l'efficacia della riduzione del rumore. Clicca qui per visualizzare una versione più grande di questa figura.

figure-introduction-3
Figura 3: Cause del rumore dell'immagine. Questa figura riassume le principali cause del rumore nei sistemi di imaging medicale. Questi includono errori del sensore, interferenze elettroniche, basso rapporto segnale/rumore (SNR), movimento del paziente e scansione a basse dosi. La comprensione di queste fonti informa la scelta delle tecniche di pre-elaborazione e denoising. Clicca qui per visualizzare una versione più grande di questa figura.

Per superare queste sfide, sono state impiegate varie tecniche di denoising. I metodi classici basati su filtri, come i filtri mediani, gaussiani e di Wiener, sono efficienti dal punto di vista computazionale, ma spesso comportano la perdita di importanti dettagli dell'immagine. Le tecniche basate su modelli come la soglia wavelet, BM3D e la diffusione anisotropa offrono una migliore conservazione strutturale, ma possono essere sensibili ai parametri di regolazione o avere difficoltà in scenari ad alto rumore 10,11,12.

Con l'avvento del deep learning, le reti neurali convoluzionali (CNN) hanno dimostrato prestazioni eccezionali nel denoising delle immagini mediche, apprendendo mappature complesse tra immagini rumorose e pulite. Tuttavia, le reti profonde richiedono in genere elevate risorse computazionali e tempi di formazione prolungati, sollevando preoccupazioni sull'efficienza energetica, soprattutto in contesti clinici con risorse limitate 13,14,15.

Per affrontare queste limitazioni, la ricerca recente si è concentrata su framework ibridi di denoising che integrano tecniche di pre-elaborazione con reti neurali per ridurre la complessità e migliorare le prestazioni. Tecniche come il miglioramento dell'immagine e la segmentazione basata sul clustering K-means si sono dimostrate promettenti nell'isolare le strutture anatomiche rilevanti e nel ridurre al minimo l'onere sugli algoritmi di apprendimento 16,17,18.

Oltre al denoising, le tecniche di fusione di immagini multimodali sono avanzate per migliorare i dettagli diagnostici combinando i dati provenienti da diverse modalità di imaging. Lavori recenti evidenziano le continue innovazioni nel campo dell'elaborazione delle immagini mediche 19,20,21,22,23.

La Figura 4 dimostra come il rumore possa degradare la nitidezza dell'immagine e potenzialmente ostacolare le interpretazioni cliniche. Queste limitazioni motivano la necessità di approcci di denoising consapevoli dell'energia e ad alta fedeltà che preservino la rilevanza clinica.

figure-introduction-4
Figura 4: Impatto del rumore sulla qualità diagnostica. Dimostra come il rumore oscura i dettagli anatomici nelle scansioni MRI e TC. Il confronto tra le immagini originali e quelle rumorose rivela un degrado della chiarezza visiva, soprattutto lungo i confini degli organi e le interfacce dei tessuti molli. Clicca qui per visualizzare una versione più grande di questa figura.

Questo studio propone una nuova pipeline di denoising che combina il miglioramento basato sulla nitidezza e la segmentazione K-means con un autoencoder basato su CNN per ridurre il rumore migliorando al contempo l'efficienza computazionale. Il modello proposto viene convalidato utilizzando metriche standard e set di dati di benchmark. Inoltre, ne valutiamo l'applicabilità nella telemedicina, nell'utilizzo di apparecchiature legacy e nell'informatica sostenibile, colmando le lacune nelle soluzioni convenzionali di deep learning 24,25,26.

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

Protocol

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

Questo studio ha utilizzato esclusivamente set di dati di imaging TC e MRI de-identificati disponibili pubblicamente. Non sono stati coinvolti soggetti umani o animali vivi. Pertanto, non era richiesta l'approvazione di un comitato di revisione istituzionale (IRB) o di un comitato etico.

Panoramica del metodo
Questo protocollo presenta una pipeline riproducibile per il denoising delle immagini mediche ad alta efficienza energetica. Combina tecniche di pre-elaborazione, tra cui filtri di nitidezza e clustering K-means, con un autoencoder basato su rete neurale convoluzionale (CNN) per ridurre il rumore delle immagini. Questo metodo integrato migliora la qualità dell'immagine riducendo al contempo i tempi di formazione e il consumo energetico dell'hardware, supportando una diagnostica medica sostenibile 19,20,21,22,23. Nella Figura 5 viene riepilogato il framework end-to-end.

figure-protocol-1
Figura 5: Proposta di architettura del framework di denoising. Questa figura delinea l'intera pipeline: acquisizione dei dati, pre-elaborazione (nitidezza + segmentazione K-means), seguita dal denoising dell'autoencoder basato su CNN. Sottolinea l'approccio ibrido volto a ridurre il consumo di energia preservando la fedeltà strutturale. Clicca qui per visualizzare una versione più grande di questa figura.

Il flusso di lavoro completo è riassunto nella Figura 5, che mostra la sequenza dall'impostazione del set di dati alla pre-elaborazione (sharpening e K-means) fino al denoising dell'autoencoder CNN fino al test.

Configurazione del software e dell'ambiente
Opzione A - Google Colab (consigliata per la riproducibilità): Andare su colab.research.google.com, fare clic su Nuovo blocco appunti. Selezionare Runtime > Cambia tipo di runtime > Acceleratore hardware: GPU > Salva. Fare clic su File > Carica per caricare il taccuino fornito e il set di dati .zip (oppure connettere Google Drive facendo clic su File > Monta unità). Nella prima cella del codice, installa le dipendenze (già nel notebook): pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. Fare clic su Runtime > Esegui tutto. Verificare che venga visualizzato: (i) riepilogo dell'ambiente con le versioni del pacchetto, (ii) nome della GPU (nell'output della cella) e (iii) creazione di una cartella dell'esperimento runs/YYYY-MM-DD/.

Opzione B - Locale (conda): Apri Anaconda Prompt/Terminal ed esegui:

figure-protocol-2

Posiziona il tuo set di dati in data/raw/ e gli script in code/. Eseguire: codice python/train_autoencoder.py --data_root dati --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. Confermare per visualizzare: la stampa dell'ambiente, la GPU rilevata e una directory di registro viene eseguita/AAAA-MM-GG/.

Preparazione del dataset
I set di dati disponibili al pubblico di scansioni TC e MRI sono stati reperiti da archivi di imaging medico. Questi set di dati contenevano rumore tipico delle scansioni cliniche del mondo reale e sono stati anonimizzati secondo gli standard istituzionali ed etici 8,9. Ogni immagine è stata ridimensionata a 256 x 256 pixel e memorizzata in formato PNG o DICOM per la compatibilità. I set di dati sono stati suddivisi in modo casuale come segue: 70% per l'addestramento, 15% per la convalida e 15% per i test, garantendo una distribuzione stratificata delle modalità di imaging e dei livelli di rumore". Le statistiche sul rumore sono state misurate utilizzando la varianza media dei pixel prima del denoising.

Organizzare le cartelle: creare una cartella come descritto di seguito:

figure-protocol-3

Per aggiungere immagini, copiare le immagini TC/MRI non identificate in data/raw/CT e data/raw/MRI (PNG, JPG o DICOM). Standardizzare le dimensioni dell'immagine usando Python (consigliato): eseguire la cella del notebook Ridimensiona e converti. Carica ogni immagine, converte la scala di grigi se necessario e si ridimensiona a 256 x 256 .

figure-protocol-4

Un'alternativa consiste nell'utilizzare la GUI (alternativa ImageJ/Fiji) come descritto. Fare clic su File > Importa > sequenza di immagini (o singole immagini), quindi su Tipo di > immagine > 8 bit, > Immagine > Regola dimensioni... > 256 x 256, quindi File > Salva con nome > PNG in data/preproc/.

Crea divisioni: Esegui la divisione della cella del notebook Train/Val/Test (70/15/15); Mescola i nomi dei file e li copia in data/splits/train|val|test/. La console stampa i conteggi (ad esempio, Treno: 700, Val: 150, Test: 150). Checkpoint (osservazione): Apri dati/divide/treno/ e verifica che le immagini siano 256 x 256 e in scala di grigi (1 canale). Mantieni un piccolo manifesto CSV (splits.csv) che elenca il percorso del file, la modalità e l'etichetta divisa.

Pre-elaborazione delle immagini
Usa il nocciolo per affilare 3 x 3. Esegui il miglioramento dell'immagine utilizzando un kernel di nitidezza. Un kernel di convoluzione affilata è stato utilizzato per migliorare i confini anatomici prima della segmentazione:

figure-protocol-5

Questo filtro accentua le strutture importanti potenziando le componenti ad alta frequenza 4,5. Ogni immagine è stata convoluta utilizzando la libreria OpenCV di Python (cv2.filter2D()) per generare l'immagine migliorata. La Figura 6 illustra i confronti tra prima e dopo.

figure-protocol-6
Figura 6: Grafico dell'accuratezza della convalida per diversi valori di k. Grafico a barre che illustra l'accuratezza della convalida raggiunta per vari valori di K utilizzati nella fase di clustering K-means (K=2, 3, 4, 5). La precisione raggiunge il picco di K=3, indicando una separazione ottimale tra le strutture anatomiche e le regioni di rumore. Scala: valori di precisione normalizzati (0-1). Clicca qui per visualizzare una versione più grande di questa figura.

Applica (Python/OpenCV) utilizzando il codice seguente.

figure-protocol-7

In alternativa, utilizzare l'alternativa GUI (ImageJ/Fiji) facendo clic su Elabora > filtri > Convolve. Incolla la matrice 3 x 3 sopra e fai clic su OK > File > Salva con nome > PNG in data/preprocess/enhanced/. Osserva il checkpoint mentre i bordi e i confini degli organi appaiono più nitidi; Se si notano aloni troppo nitidi, ridurre il peso centrale del kernel da 5 a 4,5 e ripetere l'esecuzione. La Figura 7 mostra i risultati prima e dopo la riduzione del rumore. Le immagini precedenti mostrano chiaramente rumore e sfocatura, mentre le immagini successive mostrano una maggiore chiarezza, confini anatomici più nitidi e un contrasto migliorato, dimostrando l'efficacia della pipeline di denoising proposta.

figure-protocol-8
Figura 7: Architettura di rete NAutoencoder a convoluzione. Illustra l'architettura dell'autoencoder: livello di input, encoder (livelli Conv + Pool), collo di bottiglia, decodificatore (Upsampling + livelli Conv trasposti). Ogni strato è etichettato con dimensioni e funzione. Clicca qui per visualizzare una versione più grande di questa figura.

Clustering K-Means per la segmentazione
Le immagini migliorate sono state rimodellate utilizzando NumPy (image.reshape(-1, 1)) e raggruppate utilizzando sklearn.cluster.KMeans(n_clusters=3 o 5). L'output segmentato è stato rimodellato in 2D (np.reshape(clustered_array, image.shape)) per visualizzare le regioni anatomiche rispetto alle zone di rumore14. La tabella 1 elenca le impostazioni di segmentazione.

Sr NoValore di kAccuratezza
130.761
250.869
370.75

Tabella 1: Valori di k con rispettive precisioni di convalida. Questa tabella presenta le precisioni di convalida ottenute per diversi valori del parametro di clustering k utilizzato nella fase di segmentazione K-medie della pipeline di denoising. I risultati dimostrano che k = 5 produce la massima precisione, guidando la selezione ottimale dei parametri di clustering.

Segmentazione K-Means: rimodella e raggruppa (Python/scikit-learn) utilizzando il codice seguente.

figure-protocol-9

Esegui l'anteprima del colore (opzionale) e mappa le etichette sui colori per il controllo qualità visivo e sovrapponi i bordi dall'immagine nitida. Scegli K correndo con K=3 e K=5; calcolare l'accuratezza della convalida a valle (la tabella 1 elenca le impostazioni; La Figura 6 mostra l'accuratezza rispetto a K). Questo è un posto di blocco; osservare i pixel dominanti di rumore che formano cluster distinti; Le regioni anatomiche dovrebbero rimanere contigue. Se compaiono piccole macchie, applica dei confini anatomici.

Denoising basato su reti neurali
Descrizione dell'architettura: vedere la Figura 8 per lo schema encoder-bottleneck-decoder. Un autoencoder basato su CNN è stato sviluppato utilizzando TensorFlow/Keras. L'architettura includeva: livello di input: immagine in scala di grigi 256 x 256, encoder con tre livelli convoluzionali (kernel: 3 x 3, stride: 1, attivazione ReLU), ciascuno seguito da max-pooling; collo di bottiglia come rappresentazione latente densa, decodificatore con tre strati di sovracampionamento con circonvoluzioni trasposte, output come strato attivato da Sigmoid che produce un'immagine denoizzata. La tabella 2 fornisce i parametri architettonici completi a livello di livello.

figure-protocol-10
Figura 8: Risultati visivi del processo di denoising. Presenta l'immagine disturbata originale, l'immagine pre-elaborata e l'output finale di denoising fianco a fianco per una valutazione qualitativa. Dimostra la conservazione dei bordi e la riduzione degli artefatti. Clicca qui per visualizzare una versione più grande di questa figura.

Sr NoAttributi di compilazioneValori degli attributi di compilazione
1OttimizzatoreAdamo
2PerditaEntropia incrociata categoriale
3MetricheAccuratezza

Tabella 2: Attributi di compilazione della rete neurale. Questa tabella descrive in dettaglio i parametri di compilazione chiave utilizzati per addestrare il modello di autoencoder convoluzionale. Queste impostazioni sono state implementate in TensorFlow e includono l'ottimizzatore, la funzione di perdita, la metrica di valutazione, il numero di epoche e la dimensione del batch.

Configurazione dell'addestramento: i parametri dell'addestramento includevano: funzione di perdita come errore quadratico medio (MSE), ottimizzatore come Adam (tasso di apprendimento = 0,001), dimensione del batch di 32 ed epoche come 100 con arresto anticipato (pazienza = 10).

Di seguito è riportata una breve panoramica della formazione. Avvia la formazione andando su Colab e facendo clic su Runtime > Esegui tutto; verificare che la GPU sia elencata (ad esempio, Tesla T4). Usa python code/train_autoencoder.py --data_root dati --epochs 100 --batch 32 --lr 0.001 --early_stop 10. Il monitoraggio tramite la console stampa l'epoca, l'train_loss, l'val_loss e l'ora/l'epoca. L'arresto anticipato si innesca dopo pazienza=10 epoche senza miglioramenti. Il modello migliore viene salvato in runs/.../checkpoints/best.h5. Questo è un checkpoint, osserva usando il model.summary() che mostra la pila di livelli; il conteggio dei parametri deve corrispondere alla Tabella 2. Se ricevi errori OOM, riduci il batch a 16 o imposta la dimensione dell'input su 224 x 224.

Checkpoint intermedi e risoluzione dei problemi
Dopo la nitidezza e la segmentazione, visualizza l'anteprima di tre immagini per divisione e verifica che (i) i bordi siano migliorati, (ii) le maschere di grappolo siano allineate con l'anatomia. Durante l'addestramento, assicurarsi che la perdita di convalida diminuisca e non diverga. Se l'output denoised appare eccessivamente levigato, ridurre il centro del kernel (4.5) o aumentare le epoche di addestramento di 10 con una velocità di apprendimento inferiore (ad esempio, 5e-4).

Valutazione delle prestazioni: sono state utilizzate le seguenti metriche quantitative: Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM) e Validation Accuracy of denoised image classification.

Il metodo proposto ha migliorato il PSNR da 21,52 a 28,14 dB e il SSIM da 0,76 a 0,86 rispetto ai modelli di base presentati in 7,16. L'efficienza energetica è stata registrata monitorando l'utilizzo della GPU (log NVIDIA-SMI) e il tempo di addestramento. La tabella 3 riassume i risultati della riduzione del rumore.

Sr NoMetricoModello di base
1Tempo medio dell'epoca (sec)25.8
2Energia totale per l'allenamento (kWh)0.52
3Utilizzo GPU (%)85%
4Tempo di inferenza per immagine (ms)18.7
5Precisione di convalida (%)76.19%
6PSNR (dB)21.52
7SSIM0.7619

Tabella 3: Metriche di valutazione delle prestazioni dello scenario di base rispetto al metodo proposto. Questa tabella confronta la pipeline di riduzione del rumore proposta con un modello di base in diverse metriche delle prestazioni, tra cui il tempo di training, l'utilizzo della GPU e le misure di qualità (PSNR, SSIM e accuratezza della convalida). I risultati indicano un miglioramento dell'efficienza energetica e della qualità dell'immagine con il metodo proposto.

Calcola PSNR/SSIM e consumo energetico. Per PSNR/SSIM (scikit-image), utilizzare il codice seguente.

figure-protocol-11

Per l'energia di calcolo/utilizzo della GPU, eseguire la cella che registra nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 per eseguire/.../gpu_log.csv durante l'addestramento (fornito nel notebook). In un secondo terminale, esegui il seguente codice:

figure-protocol-12

Analizza CSV per calcolare la potenza media (W) e integrarla nel tempo di addestramento per l'energia stimata (Wh = kWh). Il notebook aggrega PSNR, SSIM, accuratezza della convalida, tempo e tempo ed energia in results_table3.csv per l'inclusione diretta.

Valutazione della sostenibilità e simulazione di telemedicina
Per valutare la sostenibilità dell'hardware del dispositivo, abbiamo applicato il rumore gaussiano e di Poisson per simulare il degrado dell'immagine dovuto all'invecchiamento dei dispositivi. Il modello ha ripristinato questi input degradati a una qualità quasi diagnostica, convalidandone la robustezza 27,28,29. Nelle simulazioni di telemedicina, le immagini denoised sono state trasmesse da una larghezza di banda simulata di 256 Kbps utilizzando socket Python. La chiarezza visiva è stata mantenuta, supportando la diagnostica remota 30,31,32.

Per la simulazione dell'invecchiamento del dispositivo, applicare il rumore gaussiano (σ=10-30) e il rumore di Poisson alle immagini pulite (simulazione dell'invecchiamento delle celle) e salvarle in data/simulated/aged/. Eseguire il modello sottoposto a training su input invecchiati/; Salva gli output in Risultati/aged_denoised/. Osservare che la qualità visiva dovrebbe raggiungere una fedeltà quasi diagnostica; confrontare PSNR/SSIM con la linea di base.

Per il test della larghezza di banda della telemedicina, comprimere le immagini denoised in PNG/JPEG all'85%-95% e inviarle su un collegamento simulato a 256 kbps utilizzando il test del socket Python (telemed_sim.py) fornito. Misura il tempo di andata e ritorno e l'hash dell'integrità dei file; Verificare che non siano stati introdotti artefatti diagnostici. Osserva che la chiarezza visiva viene preservata e che le dimensioni dei file sono adatte ai flussi di lavoro con larghezza di banda ridotta.

Endpoint del protocollo
Al termine, dovresti avere: (i) immagini nitide in preproc/enhanced/, (ii) immagini segmentate in preproc/segmented/, (iii) un autoencoder addestrato con best.h5 in runs/.../checkpoints/, (iv) output denoised per immagini di test e invecchiate in results/, (v) un file di metriche compilato (results_table3.csv) che riassume PSNR, SSIM, accuratezza della convalida, tempo dell'epoca ed energia stimata.

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

Results

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

Risultati della pre-elaborazione e della segmentazione
La fase iniziale di pre-elaborazione ha migliorato la visibilità dei confini anatomici critici, riducendo al contempo l'interferenza di fondo. Come illustrato nella Figura 7, le immagini nitide hanno mostrato una definizione dei bordi più chiara, che ha aiutato la segmentazione a valle. Le immagini segmentate create utilizzando il clustering K-means con valori di K = 3 e 5 hanno isolato con successo i pixel pesanti di...

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

Discussion

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

Questo lavoro presenta un approccio ibrido di denoising che integra la pre-elaborazione delle immagini con un autoencoder convoluzionale per migliorare la qualità dell'immagine diagnostica, ottimizzando al contempo il consumo di energia e le prestazioni computazionali.

Il metodo combina filtri di nitidezza e clustering K-means nella fase di pre-elaborazione per migliorare la chiarezza dei bordi e ridurre il rumore irrilevante, seguito da un autoencoder basato ...

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

Disclosures

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

Nessun conflitto di interessi da dichiarare.

Acknowledgements

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

Gli autori desiderano esprimere la loro sincera gratitudine all'Università Vishwakarma (VU) di Pune e al Dipartimento di Ingegneria Informatica del Vishwakarma Institute of Technology (VIT) di Pune per aver fornito l'infrastruttura, i set di dati e le strutture informatiche necessarie per questa ricerca. Un ringraziamento speciale va agli studenti tirocinanti per il loro supporto nella preparazione dei dati e nei test preliminari. Questo lavoro non è stato supportato da alcuna sovvenzione specifica da parte di agenzie di finanziamento nei settori pubblico, commerciale o senza scopo di lucro.

Contributo dell'autore:
Vidula Meshram ha contribuito alla concettualizzazione della metodologia, alla progettazione del modello di pre-elaborazione e denoising e alla supervisione del manoscritto. Vishal A. Meshram ha guidato l'implementazione dell'algoritmo, ha eseguito esperimenti di addestramento, test e valutazione dell'energia e ha contribuito alla scrittura e all'editing del manoscritto. Pallavi Rege ha supportato la cura dei dati, la revisione della letteratura e la verifica delle citazioni. Gandharva Thite ha lavorato alla codifica dell'architettura dell'autoencoder, alla generazione di figure e tabelle e ha assistito alla valutazione delle prestazioni. Kailas Patil e Shrikant Jadhav sono stati gli autori corrispondenti, hanno contribuito alla convalida tecnica, alla revisione del manoscritto e hanno finalizzato la presentazione.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Google ColaboratorioAlessioN/APiattaforma cloud utilizzata per l'addestramento e il test dei modelli
Keras (v2.x)Sorgente apertoN/AAPI di alto livello per TensorFlow utilizzata per l'implementazione della rete neurale
Matplotlib (v3.4 o superiore)Sorgente apertoN/AUtilizzato per la visualizzazione di immagini e risultati
Microsoft Excel 365ValentinaN/AUtilizzato per la tabulazione e l'analisi dei risultati
NumPy (v1.21 o superiore)Sorgente apertoN/AUtilizzato per operazioni matriciali e calcolo numerico
NVIDIA Tesla T4 GPUNVIDIAN/AGPU utilizzata per l'addestramento e l'inferenza accelerati
Set di dati di imaging medico disponibile al pubblico (immagini TC e MRI)Database Open SourceN/AUtilizzati come dati di origine per l'addestramento, la convalida e il test del modello
Python (v3.8 o superiore)Fondazione del software PythonN/ALinguaggio di programmazione utilizzato per l'implementazione del modello
Scikit-learn (v0.24 o superiore)Sorgente apertoN/AUtilizzato per il clustering e la pre-elaborazione K-means
TensorFlow (v2.x)tavoloN/ALibreria di deep learning utilizzata per lo sviluppo di modelli 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