Técnicas de redução de ruído baseadas em aprendizado de máquina com eficiência energética para imagens médicas sustentáveis

Summary

Este estudo propõe uma metodologia de redução de ruído com eficiência energética que integra o pré-processamento de imagens para melhorar a qualidade da imagem médica, reduzir o custo computacional e apoiar práticas de diagnóstico sustentáveis. O método aumenta a clareza em varreduras de baixa dose e legadas, permitindo o diagnóstico remoto e reduzindo a exposição à radiação, o uso de energia e o lixo eletrônico.

Abstract

Os modelos convencionais de aprendizado profundo demonstraram potencial de redução de ruído, mas enfrentam desafios como carga computacional extensa, uso de energia e tempo de treinamento. Este estudo apresenta uma metodologia de redução de ruído com eficiência energética que integra aprimoramento de imagem e agrupamento de K-means como técnicas de pré-processamento para melhorar a qualidade de entrada antes de aplicar redes neurais. Este estudo propõe um pipeline de redução de ruído com eficiência energética integrando aprimoramento de imagem usando kernels de nitidez e segmentação de imagem por meio de agrupamento K-means antes da aplicação de um autoencoder convolucional. As etapas de pré-processamento permitiram que o modelo identificasse limites anatômicos e separasse regiões afetadas por ruído, melhorando assim a qualidade da entrada e aumentando a convergência do treinamento. O pré-processamento aprimora os principais recursos da imagem e distingue as regiões afetadas pelo ruído, permitindo o limite adaptativo e a redução de ruído mais eficaz com custo computacional reduzido. O modelo proposto foi avaliado usando conjuntos de dados de TC e RM disponíveis publicamente. O desempenho foi avaliado por meio da Relação Sinal-Ruído de Pico (PSNR), Medida do Índice de Similaridade Estrutural (SSIM) e precisão da classificação. Os resultados mostraram que o PSNR melhorou de 21,52 dB para 28,14 dB; O SSIM aumentou de 0,7619 para 0,8690 e a precisão da validação também melhorou. O pré-processamento integrado reduziu o tempo de treinamento em ~20% e reduziu a utilização da GPU, suportando assim a reprodutibilidade e a implantação em ambientes com restrições computacionais. A metodologia oferece suporte a práticas sustentáveis de imagens médicas, minimizando a exposição à radiação, reduzindo varreduras repetidas e estendendo a vida útil de equipamentos de imagem mais antigos. Esse pipeline contribui para imagens médicas sustentáveis, minimizando a exposição à radiação, reduzindo varreduras repetidas e estendendo a vida útil dos equipamentos de imagem legados. Também é adequado para diagnósticos remotos, aprimorando os fluxos de trabalho de telemedicina em ambientes com poucos recursos. Além disso, a abordagem oferece suporte a diagnósticos remotos, tornando-a adequada para aplicações de telemedicina em ambientes de poucos recursos.

Introduction

As imagens médicas desempenham um papel fundamental no diagnóstico e no planejamento do tratamento, oferecendo informações não invasivas sobre as condições anatômicas e fisiológicas internas. Várias modalidades de imagem, raios-X, tomografia computadorizada (TC), ressonância magnética (RM), ultrassom e tomografia por emissão de pósitrons (PET), são rotineiramente usadas em ambientes clínicos para detectar anormalidades, monitorar a progressão da doença e orientar intervenções ^1,2,3. Cada modalidade exibe vantagens únicas, mas é vulnerável a várias formas de degradação da imag....

Protocol

Este estudo utilizou exclusivamente conjuntos de dados de imagens de TC e RM não identificados e disponíveis publicamente. Nenhum sujeito humano ou animal vivo estava envolvido. Portanto, não foi necessária a aprovação do comitê de ética ou do comitê de ética em pesquisa.

Visão geral do método
Este protocolo apresenta um pipeline reproduzível para redução de ruído de imagens médicas com eficiência energética. Ele combina técnicas de pré-processamento, incluindo filtros de nitidez e clustering K-means, com um autoencoder baseado em rede neural convolucional (CNN) para reduzir o ruído das imagens. Este método integrado mel....

Results

Resultados de pré-processamento e segmentação
A fase inicial de pré-processamento melhorou a visibilidade dos limites anatômicos críticos, reduzindo a interferência de fundo. Conforme visualizado na Figura 7, as imagens nítidas exibiram uma definição de borda mais clara, o que ajudou na segmentação a jusante. As imagens segmentadas criadas usando agrupamento K-means com valores de K = 3 e 5 isolaram com sucesso pixels pesados de ruído de áreas diagnosticamente relevantes<.......

Discussion

Este trabalho apresenta uma abordagem híbrida de redução de ruído que integra o pré-processamento de imagem com um autoencoder convolucional para melhorar a qualidade da imagem diagnóstica enquanto otimiza o uso de energia e o desempenho computacional.

O método combina filtros de nitidez e agrupamento K-means na fase de pré-processamento para melhorar a clareza da borda e reduzir o ruído irrelevante, que é seguido por um codificador automático baseado em CNN p.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Colaboratory	Pesquise no Google	N/A	Plataforma em nuvem usada para treinamento e teste de modelos
Keras (v2.x)	Código aberto	N/A	API de alto nível para TensorFlow usada para implementação de rede neural
Matplotlib (v3.4 ou superior)	Código aberto	N/A	Usado para visualização de imagens e resultados
Microsoft Excel 365	Microsoft	N/A	Usado para tabulação e análise de resultados
NumPy (v1.21 ou superior)	Código aberto	N/A	Usado para operações matriciais e computação numérica
NVIDIA Tesla T4 GPU	NVIDIA	N/A	GPU usada para treinamento acelerado e inferência
Conjunto de dados de imagens médicas disponíveis publicamente (imagens de tomografia computadorizada e ressonância magnética)	Bancos de dados de código aberto	N/A	Usado como dados de origem para treinamento, validação e teste de modelo
Python (v3.8 ou superior)	Fundação de Software Python	N/A	Linguagem de programação usada para implementação de modelos
Scikit-learn (v0.24 ou superior)	Código aberto	N/A	Usado para agrupamento e pré-processamento de K-means
TensorFlow (v2.x)	mesa	N/A	Biblioteca de aprendizado profundo usada para desenvolvimento de modelo CNN