Research Article

持続可能な医療画像処理のためのエネルギー効率の高い機械学習に基づくノイズ除去技術

DOI:

10.3791/68968

⸱

September 16th, 2025

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

In This Article

Summary

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

この研究では、画像の前処理を統合して医療画像品質を向上させ、計算コストを削減し、持続可能な診断実践をサポートする、エネルギー効率の高いノイズ除去手法を提案します。この方法は、低線量スキャンやレガシースキャンの鮮明さを高め、放射線被ばく、エネルギー使用量、電子廃棄物を削減しながら遠隔診断を可能にします。

Abstract

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

従来の深層学習モデルはノイズ除去の可能性を実証していますが、膨大な計算負荷、エネルギー使用量、トレーニング時間などの課題に直面しています。この研究では、ニューラルネットワークを適用する前に入力品質を向上させるための前処理技術として、画像強調とK-meansクラスタリングを統合したエネルギー効率の高いノイズ除去方法論を提示します。この研究では、畳み込みオートエンコーダーを適用する前に、シャープニングカーネルを使用した画像強調とK-meansクラスタリングによる画像セグメンテーションを統合したエネルギー効率の高いノイズ除去パイプラインを提案します。前処理ステップにより、モデルは解剖学的境界を特定し、ノイズの影響を受ける領域を分離することができ、それによって入力品質が向上し、トレーニングの収束が強化されました。前処理により、主要な画像特徴が鮮明になり、ノイズの影響を受ける領域が区別され、計算コストを削減しながら適応しきい値処理とより効果的なノイズ除去が可能になります。提案されたモデルは、公開されている CT および MRI データセットを使用して評価されました。性能は、ピーク信号対雑音比 (PSNR)、構造類似性指数測定 (SSIM)、および分類精度によって評価されました。その結果、PSNR は 21.52 dB から 28.14 dB に改善されました。SSIMは0.7619から0.8690に増加し、検証精度も向上しました。統合された前処理により、トレーニング時間が~20%短縮され、GPU使用率が低下したため、計算に制約のある環境での再現性と展開がサポートされました。この方法論は、放射線被ばくを最小限に抑え、繰り返しスキャンを減らし、古い画像機器の寿命を延ばすことで、持続可能な医療画像処理の実践をサポートします。このパイプラインは、放射線被ばくを最小限に抑え、繰り返しスキャンを減らし、従来の画像機器の寿命を延ばすことで、持続可能な医療画像処理に貢献します。遠隔診断にも適しており、リソースの少ない環境での遠隔医療ワークフローを強化します。さらに、このアプローチは遠隔診断をサポートしているため、リソースの少ない環境での遠隔医療アプリケーションに適しています。

Introduction

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

医療画像処理は、内部の解剖学的および生理学的状態に関する非侵襲的な洞察を提供することで、診断と治療計画において極めて重要な役割を果たします。X線、コンピューター断層撮影法(CT)、磁気共鳴画像法(MRI)、超音波、陽電子放出断層撮影法(PET)など、いくつかの画像診断法が臨床現場で日常的に使用され、異常を検出し、疾患の進行を監視し、介入を導くことができます1,2,3。各モダリティは独自の利点を示しますが、計測器の制限、取得環境、および再構成アルゴリズムによって引き起こされるさまざまな形態の画像劣化に対して脆弱です4。

画質はノイズによって損なわれることが多く、ノイズは熱効果、低線量プロトコル、電子干渉、患者の動き、または不適切なキャリブレーションによって現れる可能性があります 5,6,7。たとえば、CT画像は、光子数の制限によりポアソンノイズを頻繁に示しますが、MRIスキャンは、磁場の不一致と再構成アーティファクトから生じるガウスノイズとリシアンノイズが発生しやすい8,9。このノイズは微細な解剖学的構造や病理学的兆候を覆い隠す可能性があり、誤診や画像診断の繰り返しにつながる可能性があり、その結果、放射線被ばくや医療費が増加します。図1、図2、および図3は、医用画像のノイズのモダリティ、タイプ、および原因を示しています。

figure-introduction-1
図1:医用画像キャプチャ技術。 この図は、X線、MRI、CT、PET、超音波など、最も一般的に使用される医療画像診断法を示しています。各モダリティは独自の診断目的を果たし、明確なノイズアーティファクトが発生しやすいです。たとえば、MRI と CT は、動きや再構成に基づく歪みに特に敏感です。 この図の拡大版を表示するには、ここをクリックしてください。

figure-introduction-2
図2:画像ノイズの種類。 ガウスノイズ、塩コショウノイズ、スペックルノイズ、ポアソンノイズなど、医療画像に影響を与えるさまざまな種類の画像ノイズを表示します。ノイズの種類ごとにピクセル強度と画像構造に異なる影響があり、ノイズ除去の効果に影響します。 この図の拡大版を表示するには、ここをクリックしてください。

figure-introduction-3
図3:画像ノイズの原因 この図は、医用画像処理システムにおけるノイズの主な原因をまとめたものです。これらには、センサーエラー、電子干渉、低信号対雑音比 (SNR)、患者の動き、低線量スキャンが含まれます。これらのソースを理解することで、前処理とノイズ除去技術の選択に役立ちます。 この図の拡大版を表示するには、ここをクリックしてください。

これらの課題を克服するために、さまざまなノイズ除去技術が採用されてきました。中央値フィルター、ガウスフィルター、ウィーナーフィルターなどの従来のフィルターベースの方法は計算効率が高くなりますが、多くの場合、重要な画像の詳細が失われます。ウェーブレットしきい値、BM3D、異方性拡散などのモデル駆動型技術は、構造保存を改善しますが、調整パラメータに敏感であるか、高ノイズシナリオで苦戦する可能性があります10、11、12。

ディープラーニングの出現により、畳み込みニューラルネットワーク(CNN)は、ノイズの多い画像とクリーンな画像の間の複雑なマッピングを学習することにより、医療画像のノイズ除去において優れたパフォーマンスを実証しました。ただし、ディープネットワークは通常、高い計算リソースと長いトレーニング時間を必要とするため、特にリソースに制約のある臨床現場ではエネルギー効率に関する懸念が生じます13,14,15。

これらの制限に対処するために、最近の研究では、前処理技術とニューラル ネットワークを統合して複雑さを軽減し、パフォーマンスを向上させるハイブリッド ノイズ除去フレームワークに焦点を当てています。画像強調やK-meansクラスタリングベースのセグメンテーションなどの技術は、関連する解剖学的構造を分離し、学習アルゴリズムの負担を最小限に抑えることに期待されています16,17,18。

ノイズ除去に加えて、マルチモーダル画像融合技術が進歩し、さまざまな画像モダリティからのデータを組み合わせることで診断の詳細が向上しました。最近の研究は、医療画像処理領域 19,20,21,22,23 における進行中の革新を強調しています。

図4 は、ノイズが画像の鮮明さを低下させ、臨床的解釈を妨げる可能性があることを示しています。これらの制限により、臨床的関連性を維持する、エネルギーを意識した忠実度の高いノイズ除去アプローチの必要性が高まっています。

figure-introduction-4
図4:診断品質に対するノイズの影響。 MRIおよびCTスキャンでノイズが解剖学的詳細をどのように覆い隠すかを示します。元の画像とノイズの多い画像を比較すると、特に臓器の境界と軟部組織の界面に沿って、視覚的な鮮明さの低下が明らかになります。 この図の拡大版を表示するには、ここをクリックしてください。

本研究では、シャープニングベースのエンハンスメントとK-meansセグメンテーションをCNNベースのオートエンコーダーと組み合わせて、計算効率を向上させながらノイズを低減する新しいノイズ除去パイプラインを提案します。提案されたモデルは、標準メトリックとベンチマークデータセットを使用して検証されます。さらに、遠隔医療、レガシー機器の利用、持続可能なコンピューティングにおけるその適用性を評価し、従来のディープラーニングソリューションのギャップに対処します24,25,26。

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

Protocol

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

この研究では、公開されている匿名化された CT および MRI 画像データセットのみを利用しました。生きた人間や動物の被験者は関与しませんでした。したがって、治験審査委員会 (IRB) または倫理委員会の承認は必要ありませんでした。

メソッドの概要
このプロトコルは、エネルギー効率の高い医用画像ノイズ除去のための再現性のあるパイプラインを提供します。シャープニングフィルターやK-meansクラスタリングなどの前処理技術と、畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダーを組み合わせて、画像のノイズを除去します。この統合された方法は、トレーニング時間とハードウェアのエネルギー消費を削減しながら画質を向上させ、持続可能な医療診断をサポートします 19,20,21,22,23。図 5 は、エンドツーエンドのフレームワークをまとめたものです。

figure-protocol-1
図5:提案されたノイズ除去フレームワークアーキテクチャ。 この図は、データ収集、前処理(シャープニング + K-means セグメンテーション)、その後の CNN ベースのオートエンコーダーのノイズ除去という完全なパイプラインの概要を示しています。構造の忠実度を維持しながらエネルギー使用量を削減することを目的としたハイブリッド アプローチを強調しています。 この図の拡大版を表示するには、ここをクリックしてください。

完全なワークフローを 図5にまとめ、データセットのセットアップから前処理(シャープニングとK-means)、CNNオートエンコーダーのノイズ除去、テストまでのシーケンスを示しています。

ソフトウェアと環境のセットアップ
オプション A - Google Colab (再現性のために推奨):colab.research.google.com に移動し、[新しいノートブック] をクリックします。[ランタイム] > [ランタイムの種類の変更] > [ハードウェア アクセラレータ: GPU > 保存] を選択します。[ファイル>アップロード] をクリックして、提供されたノートブックとデータセットを.zipアップロードします (または、[ファイル] > [ドライブのマウント] をクリックして Google ドライブに接続します)。最初のコードセルに、依存関係(すでにノートブックにあります)をインストールします:pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas。[ランタイム] > [すべて実行] をクリックします。(i) パッケージ バージョンを含む環境の概要、(ii) GPU 名 (セル出力内)、および (iii) 実験フォルダーの作成 runs/YYYY-MM-DD/ が表示されていることを確認します。

オプション B - ローカル (conda): Anaconda Prompt/Terminal を開き、次のコマンドを実行します。

figure-protocol-2

データセットを data/raw/ に配置し、スクリプトを code/ の下に配置します。実行:python code / train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001。環境の印刷物、検出された GPU、およびログ ディレクトリが実行される/YYYY-MM-DD/ を確認します。

データセットの準備
CTおよびMRIスキャンの公開データセットは、医用画像リポジトリから入手したものです。これらのデータセットには、現実世界の臨床スキャンに典型的なノイズが含まれており、制度的および倫理的基準に従って匿名化されました8,9。各画像は 256 x 256 ピクセルにサイズ変更され、互換性のために PNG または DICOM 形式で保存されました。データセットは、トレーニング用に 70%、検証用に 15%、テスト用に 15% にランダムに分割され、イメージング モダリティとノイズ レベル⁶の層別分布が保証されました。ノイズ統計は、ノイズ除去前の平均ピクセル分散を使用して測定されました。

フォルダを整理する: 以下で説明するようにフォルダを作成します。

figure-protocol-3

画像を追加するには、匿名化されたCT/MRI画像をdata/raw/CTおよびdata/raw/MRI(PNG、JPG、またはDICOM)にコピーします。Python を使用して画像サイズを標準化する (推奨): ノートブックのセル「サイズ変更と変換」を実行します。各画像を読み込み、必要に応じてグレースケールを変換し、256 x 256 にサイズ変更します。

figure-protocol-4

別の方法は、説明されているように GUI (ImageJ/Fiji の代替) を使用することです。[ファイル] > [画像シーケンス (または単一画像>インポート) をクリックし、 次に 画像 > タイプ > 8 ビット、画像 > サイズ>の調整...> 256 x 256 を選択し、 次に [ファイル] > [名前を付けて保存] > PNG を data/preproc/ に入力します。

分割の作成: ノートブックセルの Train/Val/Test split (70/15/15) を実行します。ファイル名をシャッフルし、data/splits/train|val|test/ にコピーします。コンソールはカウントを出力します (例: Train: 700、Val: 150、Test: 150)。チェックポイント(観察):データを開く/分割/トレーニング/画像が256 x 256でグレースケール(1チャンネル)であることを確認します。ファイル パス、モダリティ、分割ラベルを一覧表示する小さな CSV マニフェスト (splits.csv) を保持します。

画像の前処理
3 x 3のシャープニングカーネルを使用します。 シャープニングカーネルを使用して画像補正を実行します。セグメンテーションの前に解剖学的境界を強化するために、シャープニング畳み込みカーネルが使用されました。

figure-protocol-5

このフィルターは、高周波成分4,5をブーストすることにより、重要な構造を強調します。各画像は、PythonのOpenCVライブラリ(cv2.filter2D())を使用して畳み込み、拡張画像を生成しました。図6は、前後の比較を示しています。

figure-protocol-6
図6:kの異なる値の検証精度プロット。 K-meansクラスタリングステップ(K=2、3、4、5)で使用されるKのさまざまな値に対して達成された検証精度を示す棒グラフ。精度は K=3 でピークに達し、解剖学的構造とノイズ領域の間の最適な分離を示しています。スケール: 正規化された精度値 (0-1)。 この図の拡大版を表示するには、ここをクリックしてください。

以下のコードを使用して適用(Python / OpenCV)します。

figure-protocol-7

または、Convolve>> Process Filters をクリックして、GUIの代替手段(ImageJ / Fiji)を使用します。上の 3 x 3 マトリックスを貼り付けて、[OK] > [ファイル] > [名前を付けて保存] > PNG を data/preproc/enhanced/ にクリックします。エッジと臓器の境界がより鮮明に見えるチェックポイントを観察します。鋭くなりすぎたハローが見られる場合は、カーネルの中心の重みを5から4.5に減らして、再実行します。 図7 は、ノイズ除去の前後の結果を示しています。前の画像ではノイズとぼやけがはっきりと示され、後の画像では鮮明さの向上、解剖学的境界の鮮明さ、コントラストの向上が示され、提案されたノイズ除去パイプラインの有効性が実証されています。

figure-protocol-8
図7:畳み込みNAutoencoderネットワークアーキテクチャ。 オートエンコーダーのアーキテクチャ (入力レイヤー、エンコーダー (Conv + プールレイヤー)、ボトルネック、デコーダー (アップサンプリング + 転置変換レイヤー) を示します。各レイヤーには、サイズと機能がラベル付けされています。 この図の拡大版を表示するには、ここをクリックしてください。

セグメンテーションのためのK-Meansクラスタリング
強化された画像は、NumPy (image.reshape(-1, 1)) を使用して再形成され、sklearn.cluster.KMeans(n_clusters=3 または 5) を使用してクラスター化されました。セグメント化された出力は、解剖学的領域とノイズゾーンを視覚化するために、2D(np.reshape(clustered_array, image.shape))に再形成されました14。 表 1 に 、セグメンテーション設定を示します。

Sr いいえk の値精度
130.761
250.869
370.75

表1:kの値とそれぞれの検証精度。 この表は、ノイズ除去パイプラインの K 平均セグメンテーション ステップで使用されるクラスタリング パラメーター k のさまざまな値に対して得られた検証精度を示しています。結果は、k = 5 が最高の精度をもたらし、最適なクラスタリング パラメーターの選択を導くことを示しています。

K-Meansセグメンテーション:以下のコードを使用して、形状を変更してクラスタリングします(Python / scikit-learn)。

figure-protocol-9

カラープレビュー(オプション)を実行し、ラベルを視覚的なQCの色にマッピングし、シャープにした画像からエッジをオーバーレイします。K = 3およびK = 5で実行してKを選択します。検証精度を下流で計算します (表 1 に 設定を示します。 図6 は、精度とK)を示しています。これはチェックポイントです。異なるクラスターを形成するノイズが優勢なピクセルを観察します。解剖学的領域は連続したままである必要があります。小さな斑点が現れた場合は、解剖学的境界を適用します。

ニューラルネットワークベースのノイズ除去
アーキテクチャの説明:エンコーダ-ボトルネック-デコーダの回路図については 、図8 を参照してください。CNNベースのオートエンコーダーは、TensorFlow/Kerasを使用して開発されました。アーキテクチャには、入力層: 256 x 256 グレースケール画像、3 つの畳み込み層 (カーネル: 3 x 3、ストライド: 1、ReLU アクティベーション) を備えたエンコーダーが含まれ、それぞれに最大プーリングが続きます。密な潜在表現としてのボトルネック、転置畳み込みを持つ3つのアップサンプリング層を持つデコーダー、ノイズ除去された画像を生成するシグモイド活性化層として出力されます。 表 2 は 、完全なレイヤーごとのアーキテクチャ パラメーターを示しています。

figure-protocol-10
図8:ノイズ除去プロセスの視覚的な結果。 元のノイズのある画像、前処理された画像、および最終的なノイズ除去された出力を並べて表示し、定性的評価を行います。エッジの保存とアーティファクトの低減を実証します。 この図の拡大版を表示するには、ここをクリックしてください。

Sr いいえコンパイル属性コンパイル属性の値
1オプティマイザアダム
2損失カテゴリカルクロスエントロピー
3メトリック精度

表 2: ニューラル ネットワークのコンパイル属性。 この表では、畳み込みオートエンコーダー モデルのトレーニングに使用される主要なコンパイル パラメーターについて詳しく説明します。これらの設定は TensorFlow に実装されており、オプティマイザー、損失関数、評価指標、エポック数、バッチ サイズが含まれます。

トレーニング構成: トレーニング パラメーターには、平均二乗誤差 (MSE) としての損失関数、アダムとしてのオプティマイザー (学習率 = 0.001)、バッチ サイズ 32、早期停止 (忍耐力 = 10) での 100 のエポックが含まれていました。

トレーニングの概要は以下の通りです。Colab に移動し、[ ランタイム] > [すべて実行] をクリックしてトレーニングを開始します。GPUがリストされていることを確認してください(例:Tesla T4)。python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10 を使用します。コンソールを使用して監視すると、エポック、train_loss、val_loss、および時間/エポックが出力されます。早期停止は、改善のない忍耐=10エポック後にトリガーされます。最適なモデルは runs/.../checkpoints/best.h5 に保存されます。これはチェックポイントであり、レイヤースタックを示すmodel.summary()を使用して観察します。パラメータ数は 表 2 と一致する必要があります。OOM エラーが発生した場合は、バッチを 16 に減らすか、入力サイズを 224 x 224 に設定します。

中間チェックポイントとトラブルシューティング
シャープ化とセグメンテーションの後、分割ごとに3つの画像をプレビューし、(i)エッジが強調されていること、(ii)クラスターマスクが解剖学的構造と一致することを確認します。トレーニング中は、検証損失が減少し、発散しないようにします。ノイズ除去された出力が過度に平滑化されているように見える場合は、カーネル中心(4.5)を減らすか、学習率を低くしてトレーニングエポックを10増やします(例:5e-4)。

性能評価:ピーク信号対雑音比(PSNR)、構造類似性指数測定(SSIM)、およびノイズ除去された画像分類の検証精度の定量的指標が使用されました。

提案された方法は、7,16で提示されたベースラインモデルと比較して、PSNRを21.52から28.14dBに、SSIMを0.76から0.86に改善しました。エネルギー効率は、GPU 使用率 (NVIDIA-SMI ログ) とトレーニング時間を監視することによって記録されました。表 3 は、ノイズ除去の結果をまとめたものです。

Sr いいえメトリックベースラインモデル
1平均エポック時間(秒)25.8
2総トレーニングエネルギー(kWh)0.52
3GPU 使用率 (%)85%
4画像あたりの推論時間 (ミリ秒)18.7
5検証精度 (%)76.19%
6PSNR(dB)21.52
7SSIMの0.7619

表3:ベースラインと提案された方法のパフォーマンス評価指標。 この表は、提案されたノイズ除去パイプラインを、トレーニング時間、GPU 使用率、品質測定値 (PSNR、SSIM、検証精度) などのいくつかのパフォーマンス メトリックにわたるベースライン モデルと比較したものです。結果は、提案手法によるエネルギー効率と画質の向上を示しています。

PSNR/SSIM とエネルギー使用量を計算します。PSNR/SSIM(scikit-image)の場合は、以下のコードを使用します。

figure-protocol-11

コンピューティング エネルギー/GPU を使用する場合は、nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 をログに記録するセルを実行して、トレーニング中に runs/.../gpu_log.csv を実行します (ノートブックで提供)。2 番目のターミナルで、次のコードを実行します。

figure-protocol-12

CSV を解析して平均電力 (W) を計算し、推定エネルギー (Wh = kWh) のトレーニング時間にわたって積分します。このノートブックは、PSNR、SSIM、検証精度、エポック時間、およびエネルギーをresults_table3.csvに集約して、直接含めます。

持続可能性評価と遠隔医療シミュレーション
デバイスのハードウェアの持続可能性を評価するために、ガウスノイズとポアソンノイズを適用して、老朽化したデバイスによる画像劣化をシミュレートしました。モデルは、これらの劣化した入力を診断に近い品質に復元し、その堅牢性を検証しました27,28,29。遠隔医療シミュレーションでは、ノイズ除去された画像は、Python ソケットを使用してシミュレートされた 256 Kbps の帯域幅によって送信されました。視覚的な鮮明さは維持され、リモート診断30、31、32をサポートしました。

デバイスのエージングシミュレーションでは、ガウスノイズ(σ=10-30)とポアソンノイズを適用してクリーン画像(セルエージングシミュレーション)し、data/simulated/aged/に保存します。トレーニング済みモデルを aged/ 入力で実行します。出力を results/aged_denoised/ に保存します。視覚的な品質が診断に近い忠実度に達する必要があることに注意してください。PSNR/SSIM をベースラインと比較します。

遠隔医療帯域幅テストでは、ノイズ除去された画像を85%〜95%でPNG/JPEGに圧縮し、提供されたPythonソケットテスト(telemed_sim.py)を使用してシミュレートされた256 kbpsリンクを介して送信します。ラウンドトリップ時間とファイル整合性ハッシュを測定します。診断アーティファクトが導入されていないことを確認します。視覚的な鮮明さが維持され、ファイル サイズが低帯域幅のワークフローに適していることに注意してください。

プロトコルエンドポイント
完了すると、(i)preproc/enhanced/のシャープな画像、(ii)preproc/segmented/のセグメント化された画像、(iii)runs/.../checkpoints/のbest.h5を持つトレーニング済みのオートエンコーダー、(iv)結果のテスト画像とエージング画像のノイズ除去された出力/、(v)PSNR、SSIM、検証精度、エポック時間、および推定エネルギーを要約したコンパイルされたメトリックファイル(results_table3.csv)。

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

Results

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

前処理とセグメンテーションの結果
最初の前処理段階では、バックグラウンド干渉を減らしながら、重要な解剖学的境界の視認性が向上しました。図7に視覚化されているように、シャープ化された画像はより鮮明なエッジの鮮明さを示し、下流のセグメンテーションに役立ちました。K = 3および5の値を持つK-meansクラスタリングを使用して作成されたセグメント化された画像は、診断的に関連する領域33からノイズの多いピクセルを正常に分離しました。このステップは、構造忠実度を維持し、ノイズの影響を最小限に抑えたセグメント化された画像を生成しました33,34。

オートエンコーダによるノイズ除去性能
前処理された画像でトレーニングされたCNNベースのオートエンコーダーは、早期停止メカニズムにより100エポッ...

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

Discussion

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

この研究は、画像前処理と畳み込みオートエンコーダーを統合して、エネルギー使用量と計算パフォーマンスを最適化しながら診断画質を向上させるハイブリッドノイズ除去アプローチを提示します。

この手法では、前処理段階でシャープニングフィルターとK-meansクラスタリングを組み合わせて、エッジの明瞭さを向上させ、無関係なノイズを低減し、その後、適応型ノイズ除去のためのCNNベースのオートエンコーダーが続きます。このハイブリッド パイプラインにより、不要な計算操作が削減され、トレーニング中の収束が加速されます。

PSNR (21.52 dB から 28.14 dB)、SSIM (0.76 から 0.869)、検証精度 (0.76 から 0.869) の顕著な改善を達成することで、このモデルは診断効果を実証します。さらに、GPU の使用率とトレーニング時間の ~20% の削減により、臨床環境での持続可能な AI 実装がサポートされます。

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

Disclosures

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

申告する利益相反はありません。

Acknowledgements

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

著者らは、この研究に必要なインフラストラクチャ、データセット、コンピューティング設備を提供してくれたプネーのヴィシュワカルマ大学 (VU) とプネーのヴィシュワカルマ工科大学 (VIT) コンピューター工学科に心から感謝の意を表したいと思います。データ準備と予備テストをサポートしてくれた学生研究インターンに特に感謝します。この研究は、公共、商業、または非営利部門の資金提供機関からの特定の助成金によって支援されていませんでした。

著者の貢献:
Vidula Meshramは、方法論の概念化、前処理およびノイズ除去モデルの設計、および原稿の監督に貢献しました。Vishal A. Meshram はアルゴリズムの実装を主導し、トレーニング、テスト、エネルギー評価実験を実施し、原稿の執筆と編集に貢献しました。Pallavi Regeは、データのキュレーション、文献レビュー、引用検証をサポートしました。Gandharva Thite は、オートエンコーダー アーキテクチャのコーディング、図と表の生成、およびパフォーマンス評価の支援に取り組みました。Kailas Patil と Shrikant Jadhav が責任著者を務め、技術的検証、原稿の改訂に貢献し、投稿を最終決定しました。

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Google共同研究室ググる該当なしモデルのトレーニングとテストに使用されるクラウドプラットフォーム
ケラス (v2.x)オープンソース該当なしニューラルネットワークの実装に使用されるTensorFlowの高レベルAPI
Matplotlib (v3.4 以降)オープンソース該当なし画像と結果の視覚化に使用
マイクロソフトエクセル365マイクロソフト該当なし結果の集計と分析に使用
NumPy(v1.21以降)オープンソース該当なし行列演算と数値計算に使用
NVIDIA テスラ T4 GPUエヌビディア該当なし高速学習と推論に使用されるGPU
公開されている医用画像データセット(CTおよびMRI画像)オープンソースデータベース該当なしモデルのトレーニング、検証、テストのソースデータとして使用
Python (v3.8 以降)Pythonソフトウェア財団該当なしモデル実装に使用するプログラミング言語
Scikit-learn(v0.24以上)オープンソース該当なしK-means クラスタリングと前処理に使用
TensorFlow(v2.x)テーブル該当なしCNNモデル開発に用いるディープラーニングライブラリ

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