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 kwe....

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 autoe....

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	Cloud platform used for model training and testing
Keras (v2.x)	Open-source	N/A	High-level API for TensorFlow used for neural network implementation
Matplotlib (v3.4 or above)	Open-source	N/A	Used for visualization of images and results
Microsoft Excel 365	Microsoft	N/A	Used for result tabulation and analysis
NumPy (v1.21 or above)	Open-source	N/A	Used for matrix operations and numerical computing
NVIDIA Tesla T4 GPU	NVIDIA	N/A	GPU used for accelerated training and inference
Publicly Available Medical Imaging Dataset (CT and MRI Images)	Open Source Databases	N/A	Used as source data for model training, validation, and testing
Python (v3.8 or above)	Python Software Foundation	N/A	Programming language used for model implementation
Scikit-learn (v0.24 or above)	Open-source	N/A	Used for K-means clustering and preprocessing
TensorFlow (v2.x)	table	N/A	Deep learning library used for CNN model development