Energie-efficiënte, op machine learning gebaseerde denoisingtechnieken voor duurzame medische beeldvorming

Summary

Deze studie stelt een energie-efficiënte ruisonderdrukkingsmethodologie voor die beeldvoorverwerking integreert om de medische beeldkwaliteit te verbeteren, de rekenkosten te verlagen en duurzame diagnostische praktijken te ondersteunen. De methode verbetert de helderheid in scans met een lage dosis en legacy, waardoor diagnose op afstand mogelijk is en tegelijkertijd de blootstelling aan straling, het energieverbruik en elektronisch afval worden verminderd.

Abstract

Conventionele deep learning-modellen hebben het potentieel voor ruisonderdrukking aangetoond, maar worden geconfronteerd met uitdagingen zoals uitgebreide rekenbelasting, energieverbruik en trainingstijd. Deze studie presenteert een energie-efficiënte denoising-methodologie die beeldverbetering en K-means clustering integreert als voorbewerkingstechnieken om de invoerkwaliteit te verbeteren voordat neurale netwerken worden toegepast. Deze studie stelt een energie-efficiënte denoising-pijplijn voor die beeldverbetering integreert met behulp van verscherpingskernels en beeldsegmentatie door middel van K-means-clustering vóór de toepassing van een convolutionele auto-encoder. De voorbewerkingsstappen stelden het model in staat om anatomische grenzen te identificeren en door lawaai beïnvloede regio's te scheiden, waardoor de invoerkwaliteit werd verbeterd en de convergentie van de training werd verbeterd. Voorverwerking verscherpt belangrijke beeldkenmerken en onderscheidt door ruis beïnvloede gebieden, waardoor adaptieve drempels en effectievere ruisonderdrukking mogelijk zijn met lagere rekenkosten. Het voorgestelde model werd geëvalueerd met behulp van openbaar beschikbare CT- en MRI-datasets. De prestaties werden beoordeeld aan de hand van Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM) en classificatienauwkeurigheid. De resultaten toonden aan dat PSNR verbeterde van 21,52 dB naar 28,14 dB; SSIM steeg van 0,7619 naar 0,8690 en ook de validatienauwkeurigheid verbeterde. De geïntegreerde voorverwerking verminderde de trainingstijd met ~20% en verlaagde het GPU-gebruik, waardoor de reproduceerbaarheid en implementatie in computationeel beperkte omgevingen werden ondersteund. De methodologie ondersteunt duurzame medische beeldvormingspraktijken door de blootstelling aan straling te minimaliseren, herhaalde scans te verminderen en de levensduur van oudere beeldvormingsapparatuur te verlengen. Deze pijplijn draagt bij aan duurzame medische beeldvorming door de blootstelling aan straling te minimaliseren, herhaalde scans te verminderen en de levensduur van verouderde beeldvormingsapparatuur te verlengen. Het is ook geschikt voor diagnose op afstand, waardoor telegeneeskundeworkflows worden verbeterd in omgevingen met weinig middelen. Bovendien ondersteunt de aanpak diagnostiek op afstand, waardoor het geschikt is voor telegeneeskundetoepassingen in omgevingen met weinig middelen.

Introduction

Medische beeldvorming speelt een cruciale rol in diagnostiek en behandelplanning door niet-invasieve inzichten te bieden in interne anatomische en fysiologische aandoeningen. Verschillende beeldvormingsmodaliteiten, röntgenstraling, computertomografie (CT), magnetische resonantiebeeldvorming (MRI), echografie en positronemissietomografie (PET), worden routinematig gebruikt in klinische omgevingen om afwijkingen op te sporen, ziekteprogressie te bewaken en interventies te begeleiden ^1,2,3. Elke modaliteit vertoont unieke voordelen, maar is kwetsbaar voor verschillende vormen van beelddegradatie veroorzaakt door instrumentatiebeperkingen, acquisitieomgeving en reconstructiealgoritmen⁴.

De beeldkwaliteit wordt vaak aangetast door ruis, die zich kan manifesteren als gevolg van thermische effecten, protocollen voor lage doses, elektronische interferentie, beweging van de patiënt of onjuiste kalibratie ^5,6,7. CT-beelden vertonen bijvoorbeeld vaak Poisson-ruis als gevolg van beperkingen van het aantal fotonen, terwijl MRI-scans gevoelig zijn voor Gaussiaanse en Ricaanse ruis als gevolg van inconsistenties in magnetische velden en reconstructieartefacten ^8,9. Deze ruis kan fijne anatomische structuren en pathologische symptomen verdoezelen, wat mogelijk kan leiden tot verkeerde diagnoses of herhaalde beeldvormingssessies, die op hun beurt de blootstelling aan straling en de kosten van de gezondheidszorg verhogen. Figuur 1, Figuur 2 en Figuur 3 illustreren de modaliteiten, typen en oorzaken van ruis in medische beelden.

Figuur 1: Technieken voor het vastleggen van medische beelden. Deze figuur illustreert de meest gebruikte medische beeldvormingsmodaliteiten, waaronder röntgenfoto's, MRI, CT, PET en echografie. Elke modaliteit dient unieke diagnostische doeleinden en is gevoelig voor verschillende ruisartefacten. MRI en CT zijn bijvoorbeeld bijzonder gevoelig voor beweging en vervormingen op basis van reconstructie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Soorten beeldruis. Geeft verschillende soorten beeldruis weer die van invloed zijn op medische beeldvorming, waaronder Gaussiaanse ruis, peper-en-zoutruis, spikkelruis en Poisson-ruis. Elk ruistype beïnvloedt de pixelintensiteit en beeldstructuur op een andere manier, wat de effectiviteit van ruisonderdrukking beïnvloedt. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Oorzaken van beeldruis. Deze figuur geeft een overzicht van de belangrijkste oorzaken van ruis in medische beeldvormingssystemen. Deze omvatten sensorfouten, elektronische interferentie, lage signaal-ruisverhouding (SNR), beweging van de patiënt en scannen met een lage dosis. Inzicht in deze bronnen vormt de basis voor de keuze van voorbewerkings- en ruisonderdrukkingstechnieken. Klik hier om een grotere versie van deze figuur te bekijken.

Om deze uitdagingen het hoofd te bieden, zijn verschillende ruisonderdrukkingstechnieken gebruikt. Klassieke filtergebaseerde methoden zoals mediaan-, Gaussiaanse en Wiener-filters zijn rekenkundig efficiënt, maar resulteren vaak in het verlies van belangrijke beelddetails. Modelgestuurde technieken zoals wavelet-drempels, BM3D en anisotrope diffusie bieden een beter structureel behoud, maar kunnen gevoelig zijn voor afstemmingsparameters of worstelen in scenario's met veel ruis 10,11,12.

Met de komst van deep learning hebben Convolutional Neural Networks (CNN's) uitzonderlijke prestaties laten zien op het gebied van medische beeldruisonderdrukking door complexe toewijzingen te leren tussen luidruchtige en schone beelden. Diepe netwerken vereisen echter doorgaans veel rekenkracht en een langere trainingstijd, wat aanleiding geeft tot bezorgdheid over de energie-efficiëntie, vooral in klinische omgevingen met beperkte middelen 13,14,15.

Om deze beperkingen aan te pakken, heeft recent onderzoek zich gericht op hybride denoising-frameworks die voorverwerkingstechnieken integreren met neurale netwerken om de complexiteit te verminderen en de prestaties te verbeteren. Technieken zoals beeldverbetering en segmentatie op basis van K-means clustering zijn veelbelovend gebleken bij het isoleren van relevante anatomische structuren en het minimaliseren van de last voor leeralgoritmen 16,17,18.

Naast het verwijderen van ruis zijn multimodale beeldfusietechnieken geavanceerd om de diagnostische details te verbeteren door gegevens van verschillende beeldvormingsmodaliteiten te combineren. Recente werken belichten de voortdurende innovaties op het gebied van medische beeldverwerking 19,20,21,22,23.

Figuur 4 laat zien hoe ruis de helderheid van het beeld kan aantasten en mogelijk klinische interpretaties kan belemmeren. Deze beperkingen motiveren de behoefte aan energiebewuste, high-fidelity denoising-benaderingen die de klinische relevantie behouden.

Figuur 4: Impact van ruis op de diagnostische kwaliteit. Laat zien hoe ruis anatomische details in MRI- en CT-scans verdoezelt. Vergelijking van originele versus luidruchtige beelden onthult verslechtering van de visuele helderheid, vooral langs orgaangrenzen en interfaces van zacht weefsel. Klik hier om een grotere versie van deze figuur te bekijken.

Deze studie stelt een nieuwe ruisonderdrukkingspijplijn voor die op verscherping gebaseerde verbetering en K-means-segmentatie combineert met een op CNN gebaseerde autoencoder om ruis te verminderen en tegelijkertijd de rekenefficiëntie te verbeteren. Het voorgestelde model wordt gevalideerd met behulp van standaardmetrieken en benchmarkdatasets. Daarnaast beoordelen we de toepasbaarheid ervan op het gebied van telegeneeskunde, het gebruik van legacy-apparatuur en duurzaam computergebruik, waarbij we hiaten in conventionele deep learning-oplossingen aanpakken 24,25,26.

Protocol

Deze studie maakte uitsluitend gebruik van openbaar beschikbare, geanonimiseerde CT- en MRI-beeldvormingsdatasets. Er waren geen levende menselijke of dierlijke proefpersonen bij betrokken. Daarom was er geen goedkeuring van de institutionele beoordelingsraad (IRB) of ethische commissie vereist.

Overzicht van de methode
Dit protocol presenteert een reproduceerbare pijplijn voor energie-efficiënte medische beeldruisonderdrukking. Het combineert voorbewerkingstechnieken, waaronder verscherpingsfilters en K-means clustering, met een op convolutionele neurale netwerken (CNN) gebaseerde autoencoder om beelden te denoisen. Deze geïntegreerde methode verbetert de beeldkwaliteit en vermindert de trainingstijd en het energieverbruik van de hardware, ter ondersteuning van duurzame medische diagnostiek 19,20,21,22,23. Figuur 5 geeft een overzicht van het end-to-end framework.

Figuur 5: Voorgestelde architectuur van het denoising framework. Deze figuur schetst de volledige pijplijn: data-acquisitie, voorverwerking (verscherping + K-means segmentatie), gevolgd door op CNN gebaseerde autoencoder-ruisonderdrukking. Het benadrukt de hybride aanpak die gericht is op het verminderen van het energieverbruik met behoud van structurele getrouwheid. Klik hier om een grotere versie van deze figuur te bekijken.

De volledige workflow is samengevat in Figuur 5, die de volgorde toont van het instellen van de dataset tot voorverwerking (verscherping en K-middelen) tot CNN autoencoder denoising tot testen.

Instellen van software en omgeving
Optie A - Google Colab (aanbevolen voor reproduceerbaarheid): Ga naar colab.research.google.com, klik op Nieuw notitieblok. Selecteer Runtime > Runtimetype wijzigen > Hardwareversneller: GPU > Opslaan. Klik op Bestand > Uploaden om het meegeleverde notitieblok en de gegevensset .zip te uploaden (of maak verbinding met Google Drive door te klikken op Bestanden > Drive koppelen). Installeer in de eerste codecel afhankelijkheden (al in het notebook): pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. Klik op Runtime > Alles uitvoeren. Controleer of u het volgende ziet: (i) omgevingsoverzicht met pakketversies, (ii) GPU-naam (in celuitvoer) en (iii) het maken van een experimentmap die wordt uitgevoerd/JJJJ-MM-DD/.

Optie B - Lokaal (conda): Open Anaconda Prompt/Terminal en voer het volgende uit:

Plaats je dataset onder data/raw/ en scripts onder code/. Uitvoeren: python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. Bevestig om te zien: omgevingsafdruk, gedetecteerde GPU en een logmap voert /JJJJ-MM-DD/ uit.

Voorbereiding van datasets
Openbaar beschikbare datasets van CT- en MRI-scans zijn afkomstig uit opslagplaatsen voor medische beeldvorming. Deze datasets bevatten ruis die typisch is voor klinische scans in de echte wereld en werden geanonimiseerd volgens institutionele en ethische normen ^8,9. Elke afbeelding werd verkleind tot 256 x 256 pixels en opgeslagen in PNG- of DICOM-indeling voor compatibiliteit. De datasets werden willekeurig als volgt verdeeld: 70% voor training, 15% voor validatie en 15% voor testen, wat zorgde voor een gestratificeerde verdeling van beeldvormingsmodaliteiten en ruisniveaus'. Ruisstatistieken werden gemeten aan de hand van de gemiddelde pixelvariantie voorafgaand aan het verwijderen van ruis.

Mappen ordenen: Maak een map zoals hieronder beschreven:

Als u afbeeldingen wilt toevoegen, kopieert u geanonimiseerde CT/MRI-afbeeldingen naar data/raw/CT en data/raw/MRI (PNG, JPG of DICOM). Standaardiseer de afbeeldingsgrootte met Python (aanbevolen): Voer de notebookcel uit Formaat wijzigen en converteren. Het laadt elke afbeelding, converteert grijswaarden indien nodig en wijzigt het formaat naar 256 x 256 .

Een alternatief is om GUI (ImageJ/Fiji alternatief) te gebruiken zoals beschreven. Klik op Bestand > Importeren > Afbeeldingsreeks (of afzonderlijke afbeeldingen) en vervolgens op Afbeelding > Type > 8-bits, Afbeelding > Aanpassen > Grootte... > 256 x 256 en vervolgens Bestand > Opslaan als PNG > in data/preproc/.

Splitsingen maken: Voer de splitsing van de notebookcel Train/Val/Test uit (70/15/15); Het schudt bestandsnamen en kopieert ze naar data/splits/train|val|test/. De console drukt de tellingen af (bijv. Trein: 700, Val: 150, Test: 150). Checkpoint (observeren): Open data/splits/train/ en controleer of afbeeldingen 256 x 256 en grijstinten (1 kanaal) zijn. Bewaar een klein CSV-manifest (splits.csv) met het bestandspad, de modaliteit en het gesplitste label.

Voorbewerking van afbeeldingen
Gebruik de 3 x 3 slijpkern. Voer beeldverbetering uit met behulp van een verscherpingskernel. Een verscherpende convolutiekern werd gebruikt om anatomische grenzen te verbeteren voorafgaand aan segmentatie:

Dit filter accentueert belangrijke structuren door hoogfrequente componenten te versterken ^4,5. Elke afbeelding werd geconpliceerd met behulp van de OpenCV-bibliotheek van Python (cv2.filter2D()) om de verbeterde afbeelding te genereren. Figuur 6 illustreert voor-en-na vergelijkingen.

Figuur 6: Validatienauwkeurigheidsgrafiek voor verschillende waarden van k. Staafdiagram ter illustratie van de validatienauwkeurigheid die is bereikt voor verschillende waarden van K die worden gebruikt in de K-means clusteringstap (K = 2, 3, 4, 5). De nauwkeurigheid piekt bij K=3, wat wijst op een optimale scheiding tussen anatomische structuren en ruisgebieden. Schaal: Genormaliseerde nauwkeurigheidswaarden (0-1). Klik hier om een grotere versie van deze figuur te bekijken.

Solliciteer (Python/OpenCV) met behulp van de onderstaande code.

Of gebruik GUI-alternatief (ImageJ/Fiji) door te klikken op Proces > Filters > Convolve. Plak de 3 x 3 matrix hierboven en klik op OK > bestand > Opslaan als > PNG in data/preproc/enhanced/. Observeer het controlepunt als de randen en orgaangrenzen scherper lijken; Als er te verscherpte halo's worden gezien, verlaag dan het centrale gewicht van de kernel van 5 naar 4,5 en voer het opnieuw uit. Figuur 7 toont de resultaten van voor en na het denoisen. De voorbeelden vertonen duidelijk ruis en vervaging, terwijl de nabeelden een verbeterde helderheid, scherpere anatomische grenzen en een verbeterd contrast vertonen, wat de effectiviteit van de voorgestelde ruisonderdrukkingspijplijn aantoont.

Afbeelding 7: Convolution NAutoencoder netwerkarchitectuur. Illustreert de auto-encoderarchitectuur: invoerlaag, encoder (Conv + Pool-lagen), bottleneck, decoder (Upsampling + Transposed Conv-lagen). Elke laag is gelabeld met grootte en functie. Klik hier om een grotere versie van deze figuur te bekijken.

K-Means clustering voor segmentatie
De vorm van verbeterde afbeeldingen is gewijzigd met behulp van NumPy (image.reshape(-1, 1)) en geclusterd met sklearn.cluster.KMeans(n_clusters=3 of 5). De gesegmenteerde uitvoer werd teruggevormd naar 2D (np.reshape(clustered_array, image.shape)) om anatomische regio's te visualiseren versus ruiszones¹⁴. Tabel 1 geeft een overzicht van de segmentatie-instellingen.

Sr Nee	Waarde van k	Nauwkeurigheid
1	3	0.761
2	5	0.869
3	7	0.75

Tabel 1: Waarden van k met respectievelijke validatienauwkeurigheid. Deze tabel geeft de validatienauwkeurigheid weer die is verkregen voor verschillende waarden van de clusterparameter k die wordt gebruikt in de segmentatiestap K-means van de ruisonderdrukkingspijplijn. De resultaten tonen aan dat k = 5 de hoogste nauwkeurigheid oplevert, wat leidt tot een optimale selectie van clusterparameters.

K-Means Segmentatie: Hervormen en clusteren (Python/scikit-learn) met behulp van de onderstaande code.

Voer een kleurvoorbeeld uit (optioneel) en wijs labels toe aan kleuren voor visuele QC en overlappende randen van de verscherpte afbeelding. Kies K door te rennen met K=3 en K=5; bereken de nauwkeurigheid van de validatie downstream (Tabel 1 geeft een overzicht van instellingen; Figuur 6 toont de nauwkeurigheid versus K). Dit is een controlepost; observeer op ruisdominante pixels die afzonderlijke clusters vormen; Anatomische gebieden moeten aaneengesloten blijven. Als er kleine spikkels verschijnen, pas dan anatomische grenzen toe.

Denoising op basis van neurale netwerken
Beschrijving van de architectuur: Zie Figuur 8 voor het schema van de encoder-bottleneck-decoder. Een op CNN gebaseerde auto-encoder werd ontwikkeld met behulp van TensorFlow/Keras. De architectuur omvatte: invoerlaag: 256 x 256 grijswaardenafbeelding, encoder met drie convolutionele lagen (kernel: 3 x 3, stride: 1, ReLU-activering), elk gevolgd door max-pooling; bottleneck als dichte latente representatie, decoder met drie up-sampling lagen met getransponeerde convoluties, uitvoer als Sigmoid-geactiveerde laag die een ruisvrij beeld produceert. Tabel 2 geeft volledige architecturale parameters per laag.

Figuur 8: Visuele resultaten van het denoisingproces. Presenteert het originele beeld met ruis, het voorbewerkte beeld en de uiteindelijke uitvoer zonder ruis naast elkaar voor kwalitatieve evaluatie. Demonstreert randbehoud en artefactreductie. Klik hier om een grotere versie van deze figuur te bekijken.

Sr Nee	Compilatie attributen	Waarden van compilatiekenmerken
1	Optimizer	Adam
2	Verlies	Categorische kruis-entropie
3	Statistieken	Nauwkeurigheid

Tabel 2: Compilatiekenmerken van het neurale netwerk. In deze tabel worden de belangrijkste compilatieparameters beschreven die zijn gebruikt om het convolutionele auto-encodermodel te trainen. Deze instellingen zijn geïmplementeerd in TensorFlow en omvatten de optimizer, verliesfunctie, evaluatiemetriek, aantal epochs en batchgrootte.

Trainingsconfiguratie: De trainingsparameters omvatten: verliesfunctie als Mean Squared Error (MSE), optimizer als Adam (leersnelheid = 0,001), batchgrootte van 32 en epochs als 100 met vroeg stoppen (geduld = 10).

Een kort overzicht van de training is als volgt. Start de training door naar Colab te gaan en op Runtime > Alles uitvoeren te klikken; controleer of de GPU in de lijst staat (bijv. Tesla T4). Gebruik python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10. Monitor met behulp van de console drukt epoch, train_loss, val_loss en tijd/epoch af. Vroegtijdig stoppen triggert na geduld=10 tijdperken zonder verbetering. Het beste model wordt opgeslagen in runs/.../checkpoints/best.h5. Dit is een controlepunt, observeer met behulp van het model.summary() dat de laagstapel toont; Het aantal parameters moet overeenkomen met tabel 2. Als u OOM-fouten krijgt, verkleint u de batch tot 16 of stelt u de invoergrootte in op 224 x 224.

Tussentijdse controlepunten en probleemoplossing
Bekijk na het verscherpen en segmenteren een voorbeeld van drie afbeeldingen per splitsing en controleer of (i) de randen zijn verbeterd, (ii) clustermaskers zijn uitgelijnd met de anatomie. Zorg er tijdens de training voor dat het validatieverlies afneemt en niet uiteenloopt. Als de uitvoer zonder ruis te veel afgevlakt lijkt, verlaag dan het kernelcentrum (4,5) of verhoog de trainingsepochs met 10 met een lagere leersnelheid (bijv. 5e-4).

Prestatie-evaluatie: De volgende kwantitatieve maatstaven werden gebruikt: Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM) en Validation Accuracy of denoised image classification.

De voorgestelde methode verbeterde PSNR van 21,52 naar 28,14 dB en SSIM van 0,76 naar 0,86 in vergelijking met basismodellen die in ^7,16 werden gepresenteerd. De energie-efficiëntie werd geregistreerd door het GPU-gebruik (NVIDIA-SMI-logboeken) en de trainingstijd te monitoren. Tabel 3 geeft een overzicht van de resultaten van ruisonderdrukking.

Sr Nee	Metriek	Basislijnmodel
1	Gemiddelde epochetijd (sec)	25.8
2	Totale trainingsenergie (kWh)	0.52
3	GPU-gebruik (%)	85%
4	Deductietijd per afbeelding (ms)	18.7
5	Nauwkeurigheid validatie (%)	76.19%
6	PSNR (dB)	21.52
7	SSIM	0.7619

Tabel 3: Prestatie-evaluatiemaatstaven van de basislijn versus de voorgestelde methode. In deze tabel wordt de voorgestelde denoising-pijplijn vergeleken met een basislijnmodel voor verschillende prestatiestatistieken, waaronder trainingstijd, GPU-gebruik en kwaliteitsmetingen (PSNR, SSIM en validatienauwkeurigheid). De resultaten duiden op een verbeterde energie-efficiëntie en beeldkwaliteit met de voorgestelde methode.

Bereken PSNR/SSIM en energieverbruik. Voor PSNR/SSIM (scikit-image), gebruik de onderstaande code.

Voor het berekenen van energie/GPU-gebruik, Voer de cel uit die nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 registreert om /.../gpu_log.csv uit te voeren tijdens de training (geleverd in notebook). Voer in een tweede terminal de volgende code uit:

Parseer CSV om het gemiddelde vermogen (W) te berekenen en gedurende de trainingstijd te integreren voor geschatte energie (Wh = kWh). De notebook voegt PSNR, SSIM, validatienauwkeurigheid, epoch-tijd en energie samen tot results_table3.csv voor directe opname.

Duurzaamheidsevaluatie en simulatie van telegeneeskunde
Om de duurzaamheid van de hardware van apparaten te beoordelen, hebben we Gaussiaanse en Poisson-ruis toegepast om beelddegradatie door verouderde apparaten te simuleren. Het model herstelde deze gedegradeerde inputs tot bijna-diagnostische kwaliteit en valideerde de robuustheid ervan 27,28,29. In telegeneeskundesimulaties werden beelden zonder ruis verzonden door een gesimuleerde bandbreedte van 256 Kbps met behulp van Python-sockets. De visuele helderheid bleef behouden en ondersteunde diagnose op afstand 30,31,32.

Voor simulatie van apparaatveroudering past u Gaussiaanse ruis (σ=10-30) en Poisson-ruis toe op schone afbeeldingen (celverouderingssimulatie) en slaat u deze op in data/simulated/aged/. Voer het getrainde model uit op leeftijd/-invoer; Sla uitvoer op in Results/aged_denoised/. Merk op dat de visuele kwaliteit bijna diagnostische getrouwheid moet bereiken; vergelijk PSNR/SSIM met baseline.

Voor de bandbreedtetest voor telegeneeskunde comprimeer u afbeeldingen zonder ruis naar PNG/JPEG met 85%-95% en verzendt u een gesimuleerde 256 kbps-link met behulp van de meegeleverde Python-sockettest (telemed_sim.py). Meet de retourtijd en de hash van de bestandsintegriteit; Controleer of er geen diagnostische artefacten worden geïntroduceerd. Merk op dat de visuele helderheid behouden blijft en dat de bestandsgrootte geschikt is voor workflows met een lage bandbreedte.

Protocol eindpunt
Na voltooiing moet u beschikken over: (i) verscherpte afbeeldingen in preproc/enhanced/, (ii) gesegmenteerde afbeeldingen in preproc/segmented/, (iii) een getrainde auto-encoder met best.h5 in runs/.../checkpoints/, (iv) uitvoer met weinig ruis voor test- en verouderde afbeeldingen in results/, (v) een gecompileerd metrisch bestand (results_table3.csv) met een samenvatting van PSNR, SSIM, validatienauwkeurigheid, epoch-tijd en geschatte energie.

Results

Resultaten van voorverwerking en segmentatie
De eerste voorbewerkingsfase verbeterde de zichtbaarheid van kritische anatomische grenzen en verminderde achtergrondinterferentie. Zoals gevisualiseerd in figuur 7, vertoonden verscherpte afbeeldingen een duidelijkere randdefinitie, wat hielp bij downstream-segmentatie. De gesegmenteerde afbeeldingen die zijn gemaakt met behulp van K-means clustering met waarden van K = 3 en 5 hebben met succe...

Discussion

Dit werk presenteert een hybride ruisonderdrukkingsbenadering die beeldvoorverwerking integreert met een convolutionele auto-encoder om de diagnostische beeldkwaliteit te verbeteren en tegelijkertijd het energieverbruik en de rekenprestaties te optimaliseren.

De methode combineert verscherpingsfilters en K-means-clustering in de voorbewerkingsfase om de helderheid van de randen te verbeteren en irrelevante ruis te verminderen, die vervolgens wordt gevolgd door...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Colaboratory	Google	N/A	Cloudplatform voor het trainen en testen van modellen
Keras (v2.x)	Open-source	N/A	High-level API voor TensorFlow gebruikt voor neurale netwerkimplementatie
Matplotlib (v3.4 of hoger)	Open-source	N/A	Gebaten voor visualisatie van afbeeldingen en resultaten
Microsoft Excel 365	Microsoft	N/A	Gebaten voor resultaattabellering en analyse
NumPy (v1.21 of hoger)	Open-source	N/A	Gebaten voor matrixbewerkingen en numerieke berekeningen
NVIDIA Tesla T4 GPU	NVIDIA	N/A	GPU gebruikt voor versnelde training en inference
Openbaar Beschikbare Medische Beeldgegevensset (CT- en MRI-afbeeldingen)	Open Source Databases	N/A	Gebaten als brondata voor modeltraining, validatie en testen
Python (v3.8 of hoger)	Python Software Foundation	N/A	Programmeertaal gebruikt voor modelimplementatie
Scikit-learn (v0.24 of hoger)	Open-source	N/A	Gebaten voor K-means clustering en voorverwerking
TensorFlow (v2.x)	tabel	N/A	Deep learning bibliotheek gebruikt voor CNN modelontwikkeling