Research Article

지속 가능한 의료 영상을 위한 에너지 효율적인 기계 학습 기반 노이즈 제거 기술

DOI:

10.3791/68968

⸱

September 16th, 2025

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

In This Article

Summary

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

이 연구는 의료 이미지 품질을 개선하고 계산 비용을 절감하며 지속 가능한 진단 관행을 지원하기 위해 이미지 전처리를 통합하는 에너지 효율적인 노이즈 제거 방법론을 제안합니다. 이 방법은 저선량 및 레거시 스캔의 명확성을 향상시켜 방사선 노출, 에너지 사용 및 전자 폐기물을 줄이면서 원격 진단을 가능하게 합니다.

Abstract

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

기존의 딥 러닝 모델은 노이즈 제거 가능성을 입증했지만 광범위한 계산 부하, 에너지 사용량 및 훈련 시간과 같은 문제에 직면해 있습니다. 본 연구는 신경망을 적용하기 전에 입력 품질을 개선하기 위해 전처리 기술로서 이미지 향상과 K-평균 클러스터링을 통합하는 에너지 효율적인 노이즈 제거 방법론을 제시합니다. 본 연구는 컨볼루션 오토인코더를 적용하기 전에 K-means 클러스터링을 통한 이미지 분할과 선명하게 커널을 사용한 이미지 향상을 통합하는 에너지 효율적인 노이즈 제거 파이프라인을 제안합니다. 전처리 단계를 통해 모델은 해부학적 경계를 식별하고 소음 영향을 받는 영역을 분리하여 입력 품질을 개선하고 훈련 수렴을 향상시킬 수 있었습니다. 전처리는 주요 이미지 특징을 선명하게 하고 노이즈 영향을 받는 영역을 구별하여 적응형 임계값 및 보다 효과적인 노이즈 제거를 가능하게 합니다. 제안된 모델은 공개적으로 사용 가능한 CT 및 MRI 데이터 세트를 사용하여 평가되었습니다. 성능은 PSNR(Peak Signal-to-Noise Ratio), SSIM(Structural Similarity Index Measure) 및 분류 정확도를 통해 평가되었습니다. 결과는 PSNR이 21.52dB에서 28.14dB로 개선된 것으로 나타났습니다. SSIM은 0.7619에서 0.8690으로 증가했으며 검증 정확도도 향상되었습니다. 통합 전처리는 훈련 시간을 ~20% 단축하고 GPU 사용률을 낮추어 계산이 제한된 환경에서 재현성과 배포를 지원합니다. 이 방법론은 방사선 노출을 최소화하고 반복 스캔을 줄이며 오래된 영상 장비의 수명을 연장함으로써 지속 가능한 의료 영상 관행을 지원합니다. 이 파이프라인은 방사선 노출을 최소화하고 반복 스캔을 줄이며 기존 이미징 장비의 수명을 연장함으로써 지속 가능한 의료 영상에 기여합니다. 또한 원격 진단에도 적합하여 리소스가 부족한 환경에서 원격 의료 작업 흐름을 향상시킵니다. 또한 이 접근 방식은 원격 진단을 지원하므로 리소스가 부족한 환경의 원격 의료 애플리케이션에 적합합니다.

Introduction

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

의료 영상은 내부 해부학적 및 생리학적 상태에 대한 비침습적 통찰력을 제공함으로써 진단 및 치료 계획에서 중추적인 역할을 합니다. X선, 컴퓨터 단층촬영(CT), 자기공명영상(MRI), 초음파 및 양전자 방출 단층촬영(PET)과 같은 여러 영상 기법은 이상을 감지하고 질병 진행을 모니터링하며 개입을 안내하기 위해 임상 환경에서 일상적으로 사용됩니다 1,2,3. 각 양식은 고유한 장점을 나타내지만 계측 제한, 획득 환경 및 재구성 알고리즘으로 인해 발생하는 다양한 형태의 이미지 저하에 취약합니다4.

이미지 품질은 열 효과, 저선량 프로토콜, 전자 간섭, 환자 움직임 또는 부적절한 보정으로 인해 나타날 수 있는 노이즈로 인해 종종 손상됩니다 5,6,7. 예를 들어, CT 이미지는 광자 수 제한으로 인해 푸아송 노이즈를 자주 나타내는 반면, MRI 스캔은 자기장 불일치 및 재....

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

Protocol

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

이 연구는 공개적으로 사용 가능하고 비식별화된 CT 및 MRI 이미징 데이터 세트를 독점적으로 활용했습니다. 살아있는 인간이나 동물 피험자는 관련되지 않았습니다. 따라서 IRB(Institutional Review Board) 또는 윤리 위원회의 승인이 필요하지 않았습니다.

방법 개요
이 프로토콜은 에너지 효율적인 의료 영상 노이즈 제거를 위한 재현 가능한 파이프라인을 제공합니다. 선명하게 하는 필터 및 K-평균 클러스터링을 포함한 전처리 기술과 CNN(컨볼루션 신경망) 기반 자동 인코더를 결합하여 이미지의 노이즈를 제거합니다. 이 통합 방법은 교육 시간과 하드웨어 에너지 소비를 줄이면서 이미지 품질을 향상시켜 지속 가능한 의료 진단을 지원합니다 19,20,21,22,23. 그림 5는 종단 간 프레임워크를 요약한 것입니다.

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

Results

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

전처리 및 세분화 결과
초기 전처리 단계는 배경 간섭을 줄이면서 중요한 해부학적 경계의 가시성을 개선했습니다. 그림 7에서 시각화한 바와 같이 선명한 이미지는 더 선명한 가장자리 정의를 보여 다운스트림 분할에 도움이 되었습니다. K = 3 및 5의 값을 갖는 K-평균 클러스터링을 사용하여 생성된 분할된 이미지는 진단적으로 관련된 영역(33)에서 노이즈가 많은 픽셀을 성공적으로 분리했습니다. 이 단계는 구조적 충실도를 유지하고 노이즈 영향을 최소화하는 분할된 이미지를 생성했습니다33,34.

오토인코더 기반 노이즈 제거 성능
전처리된 이미지로 훈련된 CNN 기반 오토인코더는 조기 정지 메커니즘으로 인해 100에포크.......

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

Discussion

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

이 작업은 이미지 전처리와 컨볼루션 오토인코더를 통합하여 에너지 사용량과 계산 성능을 최적화하는 동시에 진단 이미지 품질을 향상시키는 하이브리드 노이즈 제거 접근 방식을 제시합니다.

이 방법은 전처리 단계에서 선명하게 하는 필터와 K-평균 클러스터링을 결합하여 가장자리 선명도를 개선하고 관련 없는 노이즈를 줄인 다음 적응형 노이즈 제거를 위한 CNN 기반 자동 인코더를 사용합니다. 이 하이브리드 파이프라인은 불필요한 계산 작업을 줄이고 훈련 중 컨버전스를 가속화합니다.

PSNR(21.52dB에서 28.14dB로), SSIM(0.76에서 0.869로) 및 검증 정확도(0.76에서 0.869로)에서 눈에 띄는 개선을 달성함으로써 이 모델은 진단 효능을 보여줍니다. 또한 GPU 활용도 및 훈련 시간을 ~20% 줄여 임상 환경에서 지속 가능한 AI 구현을 지원합니다.

<.......

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

Disclosures

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

신고할 이해 상충이 없습니다.

Acknowledgements

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

저자는 이 연구에 필요한 인프라, 데이터 세트 및 컴퓨팅 시설을 제공한 푸네의 Vishwakarma University(VU)와 Pune의 Vishwakarma Institute of Technology(VIT) 컴퓨터 공학과에 진심으로 감사를 표하고 싶습니다. 데이터 준비 및 예비 테스트를 지원해 주신 학생 연구 인턴에게 특별한 감사를 드립니다. 이 작업은 공공, 상업 또는 비영리 부문의 자금 지원 기관으로부터 특정 보조금으로 지원되지 않았습니다.

저자 기여:
Vidula Meshram은 방법론의 개념화, 전처리 및 노이즈 제거 모델 설계, 원고 감독에 기여했습니다. Vishal A. Meshram은 알고리즘 구현을 주도하고 훈련, 테스트 및 에너지 평가 실험을 수행했으며 원고 작성 및 편집에 기여했습니다. Pallavi Rege는 데이터 큐레이션, 문헌 검토 및 인용 검증을 지원했습니다. Gandharva Thite는 오토인코더 아키텍처 코딩, 그림 및 표 생성, 성능 평가 지원 작업을 수행했습니다. Kailas Patil과 Shrikant Jadhav가 교신 저자로 활동하여 기술 검증, 원고 수정에 기여하고 제출을 마무리했습니다.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
구글 코레이터라토리구글해당 사항 없음모델 학습 및 테스트에 사용되는 클라우드 플랫폼
케라스(v2.x)오픈 소스해당 사항 없음신경망 구현에 사용되는 TensorFlow용 고급 API
Matplotlib (v3.4 이상)오픈 소스해당 사항 없음이미지 및 결과의 시각화에 사용됩니다.
마이크로소프트 엑셀 365마이크로소프트해당 사항 없음결과 표 작성 및 분석에 사용
NumPy(v1.21 이상)오픈 소스해당 사항 없음행렬 연산 및 수치 계산에 사용
엔비디아 테슬라 T4 GPU엔비디아해당 사항 없음가속화된 훈련 및 추론에 사용되는 GPU
공개적으로 사용 가능한 의료 영상 데이터 세트(CT 및 MRI 이미지)오픈 소스 데이터베이스해당 사항 없음모델 학습, 검증 및 테스트를 위한 소스 데이터로 사용
파이썬(v3.8 이상)파이썬 소프트웨어 재단해당 사항 없음모델 구현에 사용되는 프로그래밍 언어
Scikit-learn(v0.24 이상)오픈 소스해당 사항 없음K-평균 클러스터링 및 전처리에 사용됩니다.
TensorFlow(v2.x)테이블해당 사항 없음CNN 모델 개발에 사용되는 딥러닝 라이브러리

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 t....

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