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

Summary

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

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

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'immag....

Protocol

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. Que....

Results

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.......

Discussion

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 .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Colaboratorio	Alessio	N/A	Piattaforma cloud utilizzata per l'addestramento e il test dei modelli
Keras (v2.x)	Sorgente aperto	N/A	API di alto livello per TensorFlow utilizzata per l'implementazione della rete neurale
Matplotlib (v3.4 o superiore)	Sorgente aperto	N/A	Utilizzato per la visualizzazione di immagini e risultati
Microsoft Excel 365	Valentina	N/A	Utilizzato per la tabulazione e l'analisi dei risultati
NumPy (v1.21 o superiore)	Sorgente aperto	N/A	Utilizzato per operazioni matriciali e calcolo numerico
NVIDIA Tesla T4 GPU	NVIDIA	N/A	GPU utilizzata per l'addestramento e l'inferenza accelerati
Set di dati di imaging medico disponibile al pubblico (immagini TC e MRI)	Database Open Source	N/A	Utilizzati come dati di origine per l'addestramento, la convalida e il test del modello
Python (v3.8 o superiore)	Fondazione del software Python	N/A	Linguaggio di programmazione utilizzato per l'implementazione del modello
Scikit-learn (v0.24 o superiore)	Sorgente aperto	N/A	Utilizzato per il clustering e la pre-elaborazione K-means
TensorFlow (v2.x)	tavolo	N/A	Libreria di deep learning utilizzata per lo sviluppo di modelli CNN