Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
W niniejszym badaniu zaproponowano energooszczędną metodologię odszumiania, która integruje wstępne przetwarzanie obrazu w celu poprawy jakości obrazu medycznego, zmniejszenia kosztów obliczeniowych i wspierania zrównoważonych praktyk diagnostycznych. Metoda ta zwiększa przejrzystość skanów niskodawkowych i starszych, umożliwiając zdalną diagnozę przy jednoczesnym zmniejszeniu narażenia na promieniowanie, zużycia energii i odpadów elektronicznych.
Konwencjonalne modele głębokiego uczenia wykazały potencjał odszumiania, ale stoją przed wyzwaniami, takimi jak duże obciążenie obliczeniowe, zużycie energii i czas szkolenia. W badaniu przedstawiono energooszczędną metodologię odszumiania, która integruje ulepszanie obrazu i grupowanie K-średnich jako techniki wstępnego przetwarzania w celu poprawy jakości danych wejściowych przed zastosowaniem sieci neuronowych. W niniejszym badaniu zaproponowano energooszczędny potok odszumiania integrujący ulepszanie obrazu za pomocą jąder wyostrzania i segmentację obrazu za pomocą grupowania K-średnich przed zastosowaniem automatycznego kodera konwolucyjnego. Etapy wstępnego przetwarzania umożliwiły modelowi zidentyfikowanie granic anatomicznych i oddzielenie obszarów dotkniętych hałasem, poprawiając w ten sposób jakość danych wejściowych i zwiększając konwergencję szkolenia. Przetwarzanie wstępne wyostrza kluczowe cechy obrazu i rozróżnia obszary dotknięte szumem, umożliwiając adaptacyjne progowanie i skuteczniejsze odszumianie przy zmniejszonych kosztach obliczeniowych. Zaproponowany model został oceniony przy użyciu publicznie dostępnych zestawów danych CT i MRI. Wydajność oceniano za pomocą szczytowego stosunku sygnału do szumu (PSNR), miary wskaźnika podobieństwa strukturalnego (SSIM) i dokładności klasyfikacji. Wyniki pokazały, że PSNR poprawił się z 21,52 dB do 28,14 dB; Wartość SSIM wzrosła z 0,7619 do 0,8690, poprawiła się również dokładność walidacji. Zintegrowane przetwarzanie wstępne skróciło czas szkolenia o ~20% i obniżyło wykorzystanie procesora graficznego, wspierając w ten sposób odtwarzalność i wdrażanie w środowiskach ograniczonych obliczeniowo. Metodologia wspiera zrównoważone praktyki obrazowania medycznego poprzez minimalizację narażenia na promieniowanie, zmniejszenie liczby powtórnych skanów i wydłużenie żywotności starszego sprzętu do obrazowania. Linia ta przyczynia się do zrównoważonego obrazowania medycznego poprzez zminimalizowanie narażenia na promieniowanie, zmniejszenie liczby powtórnych skanów i wydłużenie żywotności starszego sprzętu do obrazowania. Nadaje się również do zdalnej diagnostyki, usprawniając przepływ pracy telemedycyny w warunkach o niskich zasobach. Ponadto podejście to obsługuje zdalną diagnostykę, dzięki czemu nadaje się do zastosowań telemedycznych w warunkach o niskich zasobach.
Obrazowanie medyczne odgrywa kluczową rolę w diagnostyce i planowaniu leczenia, oferując nieinwazyjny wgląd w wewnętrzne warunki anatomiczne i fizjologiczne. Kilka metod obrazowania, promieniowanie rentgenowskie, tomografia komputerowa (CT), rezonans magnetyczny (MRI), ultradźwięki i pozytonowa tomografia emisyjna (PET), jest rutynowo stosowanych w warunkach klinicznych w celu wykrywania nieprawidłowości, monitorowania postępu choroby i kierowania interwencjami 1,2,3. Każda modalność ma unikalne zalety, ale jest podatna na różne formy degradacji obrazu spowodowane ograniczeni....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
W badaniu wykorzystano wyłącznie publicznie dostępne, zanonimizowane zestawy danych obrazowania CT i MRI. Nie było w tym żadnych żywych ludzi ani zwierząt. W związku z tym nie była wymagana żadna zgoda instytucjonalnej komisji rewizyjnej (IRB) ani komisji bioetycznej.
Przegląd metod
Protokół ten przedstawia powtarzalny potok do energooszczędnego odszumiania obrazów medycznych. Łączy w sobie techniki wstępnego przetwarzania, w tym filtry wyostrzające i grupowanie K-średnich, z automatycznym koderem opartym na konwolucyjnej sieci neuronowej (CNN) do odszumiania obrazów. Ta zintegrowana metoda poprawia jakość obrazu, jednoc....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki przetwarzania wstępnego i segmentacji
Początkowa faza przetwarzania wstępnego poprawiła widoczność krytycznych granic anatomicznych przy jednoczesnym zmniejszeniu zakłóceń tła. Jak pokazano na rysunku 7, wyostrzone obrazy wykazywały wyraźniejszą definicję krawędzi, co pomogło w dalszej segmentacji. Segmentowane obrazy utworzone przy użyciu klastrowania K-średnich o wartościach K = 3 i 5 z powodzeniem wyizolowały piksele z dużym szumem z obszarów istotnych diagnosty.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
W pracy przedstawiono hybrydowe podejście do odszumiania, które integruje wstępne przetwarzanie obrazu z konwolucyjnym autoenkoderem w celu poprawy jakości obrazu diagnostycznego przy jednoczesnej optymalizacji zużycia energii i wydajności obliczeniowej.
Metoda łączy filtry wyostrzające i grupowanie K-średnich w fazie przetwarzania wstępnego w celu poprawy klarowności krawędzi i redukcji nieistotnych szumów, po których następnie następuje automatyczny enkoder oparty na CNN do adaptacyjnego ods.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Brak konfliktu interesów, który można by zadeklarować.
Autorzy pragną wyrazić szczerą wdzięczność Uniwersytetowi Vishwakarma (VU) w Pune oraz Wydziałowi Inżynierii Komputerowej Instytutu Technologii Vishwakarma (VIT) w Pune za dostarczenie niezbędnej infrastruktury, zestawów danych i urządzeń obliczeniowych dla tych badań. Szczególne podziękowania kierujemy do studentów odbywających staż za wsparcie w przygotowaniu danych i testach wstępnych. Prace te nie były wspierane żadną konkretną dotacją od agencji finansujących w sektorze publicznym, komercyjnym lub non-profit.
Wkład autora:
Vidula Meshram przyczyniła się do konceptualizacji metodologii, zaprojektowania modelu wstęp....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Wspólne laboratorium Google | Wyszukiwarka Google | N/A | Platforma chmurowa używana do trenowania i testowania modeli |
| Keras (wersja 2.x) | Oprogramowanie typu open source (oprogramowanie typu open source) | N/A | Wysokopoziomowy interfejs API dla TensorFlow używany do implementacji sieci neuronowej |
| Matplotlib (wersja 3.4 lub nowsza) | Oprogramowanie typu open source (oprogramowanie typu open source) | N/A | Służy do wizualizacji obrazów i wyników |
| Program Microsoft Excel 365 | Firmy Microsoft | N/A | Służy do tworzenia tabel i analizy wyników |
| NumPy (wersja 1.21 lub nowsza) | Oprogramowanie typu open source (oprogramowanie typu open source) | N/A | Używany do operacji macierzowych i obliczeń numerycznych |
| Karta graficzna NVIDIA Tesla T4 | Technologia NVIDIA | N/A | Procesor GPU używany do przyspieszonego trenowania i wnioskowania |
| Publicznie dostępny zestaw danych do obrazowania medycznego (obrazy CT i MRI) | Bazy danych typu open source | N/A | Używane jako dane źródłowe do trenowania, walidacji i testowania modelu |
| Python (wersja 3.8 lub nowsza) | Fundacja oprogramowania Python | N/A | Język programowania używany do implementacji modelu |
| Scikit-learn (wersja 0.24 lub nowsza) | Oprogramowanie typu open source (oprogramowanie typu open source) | N/A | Służy do grupowania i przetwarzania wstępnego metodą K-średnich |
| TensorFlow (wersja 2.x) | stół | N/A | Biblioteka głębokiego uczenia używana do tworzenia modeli CNN |
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Ten artykuł został opublikowany
Film wkrótce dostępny