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 재구성 아티팩트로 인해 발생하는 가우시안 및 리시안 노이즈가 발생하기 쉽습니다 8,9. 이 소음은 미세한 해부학적 구조와 병리학적 징후를 가릴 수 있으며, 잠재적으로 오진이나 반복 영상 세션으로 이어질 수 있으며, 이로 인해 방사선 노출과 의료 비용이 증가할 수 있습니다. 그림 1, 그림 2 및 그림 3은 의료 이미지에서 노이즈의 양식, 유형 및 원인을 보여줍니다.

figure-introduction-1
그림 1: 의료 영상 캡처 기술. 이 그림은 X-레이, MRI, CT, PET 및 초음파를 포함하여 가장 일반적으로 사용되는 의료 영상 기법을 보여줍니다. 각 양식은 고유한 진단 목적으로 사용되며 뚜렷한 노이즈 아티팩트가 발생하기 쉽습니다. 예를 들어, MRI와 CT는 움직임 및 재구성 기반 왜곡에 특히 민감합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-introduction-2
그림 2: 이미지 노이즈의 유형. 가우스 노이즈, 소금과 후추 노이즈, 스펙클 노이즈 및 푸아송 노이즈를 포함하여 의료 영상에 영향을 미치는 다양한 유형의 이미지 노이즈를 표시합니다. 각 노이즈 유형은 픽셀 강도와 이미지 구조에 다르게 영향을 미치며, 이는 노이즈 제거 효과에 영향을 미칩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-introduction-3
그림 3: 이미지 노이즈의 원인. 이 그림은 의료 영상 시스템에서 노이즈의 주요 원인을 요약한 것입니다. 여기에는 센서 오류, 전자 간섭, 낮은 신호 대 잡음비 (SNR), 환자 동작 및 저선량 스캐닝이 포함됩니다. 이러한 소스를 이해하면 전처리 및 노이즈 제거 기술을 선택할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이러한 문제를 극복하기 위해 다양한 노이즈 제거 기술이 사용되었습니다. 중앙값, 가우시안 및 위너 필터와 같은 고전적인 필터 기반 방법은 계산 효율적이지만 중요한 이미지 세부 정보가 손실되는 경우가 많습니다. 웨이블릿 임계값, BM3D 및 이방성 확산과 같은 모델 기반 기술은 향상된 구조적 보존을 제공하지만 튜닝 매개변수에 민감하거나 고잡음 시나리오에서 어려움을 겪을 수 있습니다 10,11,12.

딥 러닝의 출현으로 CNN(Convolutional Neural Networks)은 노이즈가 많은 이미지와 깨끗한 이미지 사이의 복잡한 매핑을 학습하여 의료 이미지 노이즈 제거에서 탁월한 성능을 보여주었습니다. 그러나 심층 네트워크는 일반적으로 높은 계산 리소스와 연장된 훈련 시간을 필요로 하므로 특히 자원이 제한된 임상 환경에서 에너지 효율성에 대한 우려가 제기됩니다13,14,15.

이러한 한계를 해결하기 위해 최근 연구에서는 전처리 기술과 신경망을 통합하여 복잡성을 줄이고 성능을 향상시키는 하이브리드 노이즈 제거 프레임워크에 중점을 두었습니다. 이미지 향상 및 K-평균 클러스터링 기반 분할과 같은 기술은 관련 해부학적 구조를 분리하고 학습 알고리즘에 대한 부담을 최소화하는 데 가능성을 보여주었습니다 16,17,18.

노이즈 제거 외에도 다중 모드 이미지 융합 기술은 다양한 이미징 양식의 데이터를 결합하여 진단 세부 사항을 개선하기 위해 발전했습니다. 최근 작업은 의료 영상 처리 영역 19,20,21,22,23에서 진행 중인 혁신을 강조합니다.

그림 4 는 노이즈가 어떻게 이미지 선명도를 저하시키고 잠재적으로 임상 해석을 방해할 수 있는지 보여줍니다. 이러한 한계는 임상적 관련성을 보존하는 에너지 인식, 충실도가 높은 노이즈 제거 접근 방식의 필요성을 유발합니다.

figure-introduction-4
그림 4: 노이즈가 진단 품질에 미치는 영향. MRI 및 CT 스캔에서 노이즈가 해부학적 세부 사항을 어떻게 가리는지 보여줍니다. 원본 이미지와 노이즈가 많은 이미지를 비교하면 특히 장기 경계와 연조직 인터페이스를 따라 시각적 선명도가 저하되는 것으로 나타났습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 연구는 선명하게 하는 기반 향상 및 K-평균 분할을 CNN 기반 자동 인코더와 결합하여 노이즈를 줄이는 동시에 계산 효율성을 향상시키는 새로운 노이즈 제거 파이프라인을 제안합니다. 제안된 모델은 표준 지표와 벤치마크 데이터 세트를 사용하여 검증됩니다. 또한 원격 의료, 레거시 장비 활용 및 지속 가능한 컴퓨팅에 대한 적용 가능성을 평가하여 기존 딥 러닝 솔루션의 격차를 해소합니다 24,25,26.

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.

figure-protocol-1
그림 5: 제안된 노이즈 제거 프레임워크 아키텍처. 이 그림은 데이터 수집, 전처리(선명하게 + K-평균 분할), CNN 기반 자동 인코더 노이즈 제거 등 전체 파이프라인을 간략하게 설명합니다. 구조적 충실도를 유지하면서 에너지 사용을 줄이는 것을 목표로 하는 하이브리드 접근 방식을 강조합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

전체 워크플로는 데이터 세트 설정부터 전처리(선명하게 하기 및 K-평균), CNN 오토인코더 노이즈 제거, 테스트에 이르는 순서를 보여주는 그림 5에 요약되어 있습니다.

소프트웨어 및 환경 설정
옵션 A - Google Colab(재현성을 위해 권장): colab.research.google.com 로 이동하여 새 노트북을 클릭합니다. 런타임 > 런타임 유형 변경을 하드웨어 가속기: GPU > 저장> 선택합니다. 파일 > 업로드 를 클릭하여 제공된 노트북과 데이터 세트를 .zip 업로드합니다(또는 파일 > 드라이브 탑재를 클릭하여 Google 드라이브를 연결). 첫 번째 코드 셀에서 종속성(이미 노트북에 있음)을 설치합니다: pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. 런타임 > 모두 실행을 클릭합니다. (i) 패키지 버전이 포함된 환경 요약, (ii) GPU 이름(셀 출력) 및 (iii) 실험 폴더 생성 runs/YYYY-MM-DD/가 표시되는지 확인합니다.

옵션 B - 로컬(conda): Anaconda 프롬프트/터미널을 열고 다음을 실행합니다.

figure-protocol-2

데이터 세트를 data/raw/ 아래에 배치하고 스크립트를 code/ 아래에 배치합니다. 실행: python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. 환경 출력물, 감지된 GPU 및 로그 디렉터리 runs/YYYY-MM-DD/를 확인합니다.

데이터 세트 준비
공개적으로 사용 가능한 CT 및 MRI 스캔 데이터 세트는 의료 영상 저장소에서 가져왔습니다. 이러한 데이터 세트에는 실제 임상 스캔의 일반적인 노이즈가 포함되어 있으며 제도적 및 윤리적 기준에 따라 비식별화되었습니다 8,9. 각 이미지의 크기는 256 x 256 픽셀로 조정되었으며 호환성을 위해 PNG 또는 DICOM 형식으로 저장되었습니다. 데이터 세트는 훈련에 70%, 검증에 15%, 테스트에 15%로 무작위로 분할되어 이미징 양식과 노이즈 수준⁶의 계층화된 분포를 보장했습니다. 노이즈 통계는 노이즈 제거 전에 평균 픽셀 분산을 사용하여 측정되었습니다.

폴더 구성: 아래 설명된 대로 폴더를 만듭니다.

figure-protocol-3

이미지를 추가하려면 비식별화된 CT/MRI 이미지를 data/raw/CT 및 data/raw/MRI(PNG, JPG 또는 DICOM)에 복사합니다. Python을 사용하여 이미지 크기 표준화(권장): Notebook 셀 크기 조정 및 변환을 실행합니다. 각 이미지를 로드하고 필요한 경우 그레이스케일을 변환하고 크기를 256 x 256으로 조정합니다.

figure-protocol-4

대안은 설명된 대로 GUI(ImageJ/Fiji 대안)를 사용하는 것입니다. 파일 > 이미지 시퀀스 (또는 단일 이미지) 가져오기> 이미지 > 유형 > 8비트, 이미지 > 크기 >조정... > 256 x 256 그런 다음 파일 > PNG> data/preproc/로 다른 이름으로 저장.

분할 만들기: Notebook 셀 Train/Val/Test 분할(70/15/15)을 실행합니다. 파일 이름을 섞어 data/splits/train|val|test/에 복사합니다. 콘솔은 개수를 인쇄합니다(예: Train: 700, Val: 150, Test: 150). 체크포인트(관찰): 데이터/분할/훈련/을 열고 이미지가 256 x 256 및 그레이스케일(1채널)인지 확인합니다. 파일 경로, 양식 및 분할 레이블을 나열하는 작은 CSV 매니페스트(splits.csv)를 유지합니다.

이미지 전처리
3 x 3 샤프닝 커널을 사용하십시오. 선명하게 하는 커널을 사용하여 이미지 향상을 수행합니다. 선명하게 하는 컨볼루션 커널은 분할 전에 해부학적 경계를 향상시키는 데 사용되었습니다.

figure-protocol-5

이 필터는 고주파 성분을 부스트하여 중요한 구조를 강조합니다 4,5. 각 이미지는 향상된 이미지를 생성하기 위해 Python의 OpenCV 라이브러리(cv2.filter2D())를 사용하여 컨볼루션되었습니다. 그림 6은 전후 비교를 보여줍니다.

figure-protocol-6
그림 6: 다양한 k 값에 대한 검증 정확도 플롯. K-평균 클러스터링 단계(K=2, 3, 4, 5)에서 사용된 다양한 K 값에 대해 달성된 검증 정확도를 보여주는 막대 차트입니다. 정확도는 K=3에서 최고조에 달하며, 이는 해부학적 구조와 노이즈 영역 사이의 최적 분리를 나타냅니다. 척도: 정규화된 정확도 값(0-1). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

아래 코드를 사용하여 적용(Python/OpenCV)합니다.

figure-protocol-7

또는 Convolve>> Process Filters를 클릭하여 GUI 대안(ImageJ/Fiji)을 사용합니다. 위의 3 x 3 행렬을 붙여넣고 OK > 파일 > PNG> data/preproc/enhanced/에 다른 이름으로 저장 을 클릭합니다. 가장자리와 기관 경계가 더 선명하게 보이는 체크포인트를 관찰하십시오. 지나치게 날카로워진 후광이 보이면 커널 중앙 가중치를 5에서 4.5로 줄이고 다시 실행하십시오. 그림 7 은 노이즈 제거 전후의 결과를 보여줍니다. 이전 이미지는 노이즈와 흐림을 명확하게 나타내는 반면, 이후 이미지는 향상된 선명도, 더 선명한 해부학적 경계 및 향상된 대비를 표시하여 제안된 노이즈 제거 파이프라인의 효과를 보여줍니다.

figure-protocol-8
그림 7: Convolution NAutoencoder 네트워크 아키텍처. 자동 인코더 아키텍처(입력 계층, 인코더(Conv + 풀 계층), 병목 현상, 디코더(업샘플링 + 전치된 Conv 계층)를 설명합니다. 각 레이어에는 크기와 기능이 표시되어 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

세분화를 위한 K-평균 클러스터링
향상된 이미지는 NumPy(image.reshape(-1, 1))를 사용하여 모양을 바꾸고 sklearn.cluster.KMeans(n_clusters=3 또는 5)를 사용하여 클러스터링했습니다. 분할된 출력은 해부학적 영역과 노이즈 영역을 시각화하기 위해 2D(np.reshape(clustered_array, image.shape))로 다시 모양을 변경했습니다14. 표 1 에는 세분화 설정이 나와 있습니다.

시니어 아니오k의 값정밀
130.761
250.869
370.75

표 1: 각 검증 정확도가 있는 k의 값. 이 표는 노이즈 제거 파이프라인의 K-평균 분할 단계에서 사용되는 클러스터링 매개변수 k의 다양한 값에 대해 얻은 검증 정확도를 제공합니다. 결과는 k = 5가 가장 높은 정확도를 산출하여 최적의 클러스터링 매개변수 선택을 안내한다는 것을 보여줍니다.

K-Means 세분화: 아래 코드를 사용하여 모양을 바꾸고 클러스터링합니다(Python/scikit-learn).

figure-protocol-9

색상 미리보기(선택 사항)를 수행하고 레이블을 시각적 QC를 위한 색상에 매핑하고 선명하게 한 이미지의 가장자리를 오버레이합니다. K=3 및 K=5로 실행하여 K를 선택합니다. 검증 정확도 다운스트림 계산(표 1 에는 설정이 나열되어 있습니다. 그림 6 은 K에 대한 정확도를 보여줍니다. 이것은 체크포인트입니다. 뚜렷한 클러스터를 형성하는 노이즈가 우세한 픽셀을 관찰합니다. 해부학적 영역은 인접하게 유지되어야 합니다. 작은 반점이 나타나면 해부학적 경계를 적용하십시오.

신경망 기반 노이즈 제거
아키텍처 설명: 인코더-병목 현상-디코더 회로도는 그림 8 을 참조하십시오. CNN 기반 오토인코더는 TensorFlow/Keras를 사용하여 개발되었습니다. 아키텍처에는 다음이 포함됩니다: 입력 계층: 256 x 256 그레이스케일 이미지, 3개의 컨볼루션 계층(커널: 3 x 3, 보폭: 1, ReLU 활성화)이 있는 인코더, 각각 최대 풀링이 뒤따릅니다. 조밀한 잠재 표현으로서의 병목 현상, 전치된 컨볼루션이 있는 3개의 업샘플링 레이어가 있는 디코더, 노이즈가 제거된 이미지를 생성하는 Sigmoid 활성화 레이어로 출력됩니다. 표 2 는 전체 계층별 아키텍처 매개변수를 제공합니다.

figure-protocol-10
그림 8: 노이즈 제거 프로세스의 시각적 결과. 정성적 평가를 위해 노이즈가 있는 원본 이미지, 전처리된 이미지 및 노이즈가 제거된 최종 출력을 나란히 표시합니다. 가장자리 보존 및 아티팩트 감소를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

시니어 아니오컴파일 속성컴파일 속성의 값
1최적화아담
2상실범주형 교차 엔트로피
3운율학정밀

표 2: 신경망의 컴파일 속성. 이 표에서는 컨볼루션 오토인코더 모델을 학습시키는 데 사용되는 주요 컴파일 매개변수에 대해 자세히 설명합니다. 이러한 설정은 TensorFlow에서 구현되었으며 최적화 프로그램, 손실 함수, 평가 지표, 에포크 수 및 배치 크기를 포함합니다.

학습 구성: 학습 매개변수에는 MSE(Mean Squared Error)로서의 손실 함수, Adam(학습률 = 0.001)으로서의 옵티마이저, 32의 배치 크기, 조기 중지(인내심 = 10)가 있는 100의 epoch가 포함됩니다.

교육에 대한 간략한 개요는 다음과 같습니다. Colab으로 이동하여 런타임 > 모두 실행을 클릭하여 훈련을 시작합니다. GPU가 나열되어 있는지 확인합니다(예: Tesla T4). python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10을 사용합니다. 콘솔을 사용하여 모니터링하면 epoch, train_loss, val_loss 및 time/epoch가 인쇄됩니다. 인내심 = 개선 없이 10 에포크 후에 조기 중지가 트리거됩니다. 최상의 모델은 runs/.../checkpoints/best.h5에 저장됩니다. 이것은 체크 포인트이며 레이어 스택을 표시하는 model.summary()를 사용하여 관찰합니다. 매개변수 수는 표 2와 일치해야 합니다. OOM 오류가 발생하면 배치를 16으로 줄이거나 입력 크기를 224 x 224로 설정합니다.

중간 체크포인트 및 문제 해결
선명하게 하고 분할한 후 분할당 3개의 이미지를 미리 보고 (i) 가장자리가 향상되고 (ii) 클러스터 마스크가 해부학과 정렬되는지 확인합니다. 학습 중에 검증 손실이 감소하고 발산되지 않는지 확인합니다. 노이즈가 제거된 출력이 과도하게 평활화된 것처럼 보이면 커널 중심(4.5)을 줄이거나 학습 속도가 더 낮은(예: 5e-4) 훈련 에포크를 10씩 늘립니다.

성능 평가: PSNR(Peak Signal-to-Noise Ratio), SSIM(Structural Similarity Index Measure) 및 노이즈제거된 이미지 분류의 검증 정확도와 같은 정량적 지표가 사용되었습니다.

제안된 방법은 7,16에 제시된 기준선 모델과 비교하여 PSNR을 21.52dB에서 28.14dB로, SSIM을 0.76에서 0.86으로 개선했습니다. 에너지 효율은 GPU 사용량(NVIDIA-SMI 로그) 및 훈련 시간을 모니터링하여 기록되었습니다. 표 3은 노이즈 제거 결과를 요약한 것입니다.

시니어 아니오메트릭기준 모델
1평균 에포크 시간(초)25.8
2총 훈련 에너지(kWh)0.52
3GPU 사용률(%)85%
4이미지당 추론 시간(ms)18.7
5검증 정확도(%)76.19%
6PSNR(dB)21.52
7SSIM0.7619

표 3: 기준선 대 제안된 방법의 성능 평가 지표. 이 표는 제안된 노이즈 제거 파이프라인을 훈련 시간, GPU 사용률 및 품질 측정(PSNR, SSIM 및 검증 정확도)을 포함한 여러 성능 메트릭에 걸쳐 기준 모델과 비교합니다. 결과는 제안된 방법으로 에너지 효율성과 이미지 품질이 향상되었음을 나타냅니다.

PSNR/SSIM 및 에너지 사용량을 계산합니다. PSNR/SSIM(scikit-image)의 경우 아래 코드를 사용합니다.

figure-protocol-11

컴퓨팅 에너지/GPU 사용을 위해 nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1을 기록하는 셀을 실행하여 학습 중에 runs/.../gpu_log.csv 합니다(노트북에 제공됨). 두 번째 터미널에서 다음 코드를 실행합니다.

figure-protocol-12

CSV를 구문 분석하여 평균 전력(W)을 계산하고 예상 에너지(Wh = kWh)에 대해 학습 시간에 걸쳐 적분합니다. 노트북은 PSNR, SSIM, 검증 정확도, 에포크 시간 및 에너지를 직접 포함할 수 있도록 results_table3.csv로 집계합니다.

지속가능성 평가 및 원격의료 시뮬레이션
장치 하드웨어 지속 가능성을 평가하기 위해 가우시안 및 푸아송 노이즈를 적용하여 노후화된 장치로 인한 이미지 저하를 시뮬레이션했습니다. 이 모델은 이러한 저하된 입력을 진단에 가까운 품질로 복원하여 견고성을 검증했습니다 27,28,29. 원격 의료 시뮬레이션에서 노이즈가 제거된 이미지는 Python 소켓을 사용하여 시뮬레이션된 256Kbps 대역폭으로 전송되었습니다. 시각적 선명도가 유지되어 원격 진단30,31,32를 지원했습니다.

장치 노화 시뮬레이션의 경우 가우스 노이즈(σ=10-30) 및 푸아송 노이즈를 적용하여 깨끗한 이미지(셀 노화 시뮬레이션)하고 data/simulated/aged/에 저장합니다. aged/ inputs에서 훈련된 모델을 실행합니다. 결과/aged_denoised/에 출력을 저장합니다. 시각적 품질이 진단에 가까운 충실도에 도달해야 함을 관찰하십시오. PSNR/SSIM을 기준선과 비교합니다.

원격 의료 대역폭 테스트의 경우 노이즈가 제거된 이미지를 85%-95%의 PNG/JPEG로 압축하고 제공된 Python 소켓 테스트(telemed_sim.py)를 사용하여 시뮬레이션된 256kbps 링크를 통해 보냅니다. 왕복 시간 및 파일 무결성 해시를 측정합니다. 진단 아티팩트가 도입되지 않았는지 확인합니다. 시각적 선명도가 유지되고 파일 크기가 낮은 대역폭 작업 흐름에 적합한지 확인하십시오.

프로토콜 엔드포인트
완료되면 (i) preproc/enhanced/의 선명한 이미지, (ii) preproc/segmented/의 분할된 이미지, (iii) runs/.../checkpoints/에서 best.h5가 있는 훈련된 자동 인코더, (iv) 결과의 테스트 및 오래된 이미지에 대한 노이즈 제거된 출력/, (v) PSNR, SSIM, 검증 정확도, 에포크 시간 및 예상 에너지를 요약하는 컴파일된 메트릭 파일(results_table3.csv).

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 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