Research Article

Энергоэффективные методы шумоподавления на основе машинного обучения для устойчивой медицинской визуализации

DOI:

10.3791/68968

⸱

September 16th, 2025

 ,  ,  ,  ,  , 
1Vishwakarma University, 2Vishwakarma Institute of Technology, 3San Jose State University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании предлагается энергоэффективная методология шумоподавления, которая интегрирует предварительную обработку изображений для улучшения качества медицинских изображений, снижения вычислительных затрат и поддержки устойчивых методов диагностики. Этот метод повышает четкость при сканировании с низкой дозой облучения и устаревших сканированиях, обеспечивая дистанционную диагностику при одновременном снижении радиационного облучения, потребления энергии и электронных отходов.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Традиционные модели глубокого обучения продемонстрировали потенциал шумоподавления, но сталкиваются с такими проблемами, как большая вычислительная нагрузка, потребление энергии и время обучения. В этом исследовании представлена энергоэффективная методология шумоподавления, которая объединяет улучшение изображения и кластеризацию K-средних в качестве методов предварительной обработки для улучшения качества входных данных перед применением нейронных сетей. В этом исследовании предлагается энергоэффективный конвейер шумоподавления, объединяющий улучшение изображения с помощью ядер повышения резкости и сегментацию изображений с помощью кластеризации K-средних перед применением сверточного автоэнкодера. Этапы предварительной обработки позволили модели идентифицировать анатомические границы и отдельные области, подверженные воздействию шума, тем самым улучшив качество входных данных и улучшив сходимость обучения. Предварительная обработка повышает резкость ключевых особенностей изображения и различает области с шумом, обеспечивая адаптивное пороговое значение и более эффективное шумоподавление при снижении вычислительных затрат. Предложенная модель была оценена с использованием общедоступных наборов данных КТ и МРТ. Производительность оценивалась с помощью пикового отношения сигнал/шум (PSNR), индекса структурного сходства (SSIM) и точности классификации. Результаты показали, что PSNR улучшился с 21,52 дБ до 28,14 дБ; SSIM увеличен с 0,7619 до 0,8690, а точность проверки также улучшилась. Встроенная предварительная обработка сократила время обучения на ~20% и снизила загрузку графического процессора, тем самым поддерживая воспроизводимость и развертывание в средах с ограниченными вычислительными ресурсами. Методология поддерживает устойчивые методы медицинской визуализации за счет минимизации лучевой нагрузки, сокращения повторных сканирований и продления срока службы старого оборудования для визуализации. Этот конвейер способствует устойчивой медицинской визуализации за счет минимизации лучевой нагрузки, сокращения количества повторных сканирований и продления срока службы устаревшего оборудования для визуализации. Он также подходит для удаленной диагностики, улучшая рабочие процессы телемедицины в условиях ограниченных ресурсов. Кроме того, этот подход поддерживает дистанционную диагностику, что делает его подходящим для приложений телемедицины в условиях ограниченных ресурсов.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Медицинская визуализация играет ключевую роль в диагностике и планировании лечения, предлагая неинвазивное понимание внутренних анатомических и физиологических состояний. Несколько методов визуализации: рентген, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), ультразвук и позитронно-эмиссионная томография (ПЭТ) обычно используются в клинических условиях для выявления аномалий, мониторинга прогрессирования заболевания и проведения вмешательств 1,2,3. Каждый метод обладает уникальными преимуществами, но уязвим к различным формам ухудшения качества изображения, вызванному ограничениями приборов, средой сбора данных и алгоритмами реконструкции4.

Качество изображения часто ухудшается из-за шума, который может проявляться из-за тепловых эффектов, протоколов низких доз, электронных помех, движений пациента или неправильной калибровки 5,6,7. Например, на КТ-изображениях часто присутствует шум Пуассона из-за ограничений на количество фотонов, в то время как на МРТ-сканировании часто присутствует гауссов и райсианский шум, возникающий из-за несоответствий магнитного поля и артефактов реконструкции 8,9. Этот шум может скрывать тонкие анатомические структуры и патологические признаки, что потенциально может привести к ошибочным диагнозам или повторным сеансам визуализации, что, в свою очередь, увеличивает лучевую нагрузку и расходы на здравоохранение. На рисунках 1, 2 и 3 показаны модальности, типы и причины шума на медицинских изображениях.

figure-introduction-1
Рисунок 1: Методы получения медицинских изображений. На этом рисунке показаны наиболее часто используемые методы медицинской визуализации, включая рентген, МРТ, КТ, ПЭТ и ультразвук. Каждая модальность служит уникальным диагностическим целям и подвержена различным артефактам шума. МРТ и КТ, например, особенно чувствительны к искажениям, связанным с движением и реконструкцией. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-introduction-2
Рисунок 2: Типы шума изображения. Отображает различные типы шума изображения, влияющие на медицинскую визуализацию, включая гауссов шум, шум соли и перца, спекл-шум и шум Пуассона. Каждый тип шума по-разному влияет на интенсивность пикселей и структуру изображения, что влияет на эффективность шумоподавления. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-introduction-3
Рисунок 3: Причины появления шума на изображении. На этом рисунке обобщены основные причины шума в системах медицинской визуализации. К ним относятся ошибки датчиков, электронные помехи, низкое соотношение сигнал/шум (SNR), движение пациента и сканирование с низкой дозой облучения. Понимание этих источников помогает выбрать методы предварительной обработки и шумоподавления. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Для решения этих проблем были использованы различные методы шумоподавления. Классические методы на основе фильтров, такие как медианный, гауссов и фильтры Винера, эффективны с точки зрения вычислений, но часто приводят к потере важных деталей изображения. Методы, основанные на моделировании, такие как вейвлет-пороговый, BM3D и анизотропная диффузия, обеспечивают улучшенное сохранение структуры, но могут быть чувствительны к параметрам настройки или сложным в сценариях с высоким уровнем шума 10,11,12.

С появлением глубокого обучения сверточные нейронные сети (СНС) продемонстрировали исключительную производительность в подавлении шума на медицинских изображениях за счет изучения сложных сопоставлений между зашумленными и чистыми изображениями. Тем не менее, глубокие сети обычно требуют больших вычислительных ресурсов и длительного времени обучения, что вызывает опасения по поводу энергоэффективности, особенно в условиях ограниченных ресурсов в клинических условиях 13,14,15.

Чтобы устранить эти ограничения, недавние исследования были сосредоточены на гибридных фреймворках шумоподавления, которые интегрируют методы предварительной обработки с нейронными сетями для снижения сложности и повышения производительности. Такие методы, как улучшение изображения и сегментация на основе кластеризации K-средних, показали многообещающие результаты в выделении соответствующих анатомических структур и минимизации нагрузки на алгоритмы обучения 16,17,18.

В дополнение к шумоподавлению, методы мультимодального объединения изображений были усовершенствованы для улучшения детализации диагностики за счет объединения данных из различных методов визуализации. Последние работы подчеркивают текущие инновации в области обработки медицинских изображений 19,20,21,22,23.

На рисунке 4 показано, как шум может ухудшить четкость изображения и потенциально затруднить клиническую интерпретацию. Эти ограничения обуславливают потребность в энергосберегающих и высокоточных подходах к шумоподавлению, сохраняющих клиническую значимость.

figure-introduction-4
Рисунок 4: Влияние шума на качество диагностики. Демонстрирует, как шум скрывает анатомические детали на снимках МРТ и КТ. Сравнение оригинальных и зашумленных изображений показывает ухудшение четкости зрения, особенно вдоль границ органов и мягких тканей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

В этом исследовании предлагается новый конвейер шумоподавления, который сочетает в себе улучшение на основе повышения резкости и сегментацию K-средних с автоэнкодером на основе CNN для снижения шума при одновременном повышении вычислительной эффективности. Предложенная модель проверена с использованием стандартных метрик и эталонных наборов данных. Кроме того, мы оцениваем его применимость в телемедицине, использовании устаревшего оборудования и устойчивых вычислениях, устраняя пробелы в традиционных решениях глубокого обучения 24,25,26.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании использовались исключительно общедоступные, обезличенные наборы данных КТ и МРТ. Ни живые, ни люди, ни животные не были задействованы. Таким образом, не требовалось одобрения институционального наблюдательного совета (IRB) или комитета по этике.

Обзор метода
Этот протокол представляет собой воспроизводимый конвейер для энергоэффективного шумоподавления медицинских изображений. Он сочетает в себе методы предварительной обработки, включая фильтры повышения резкости и кластеризацию K-средних, с автоэнкодером на основе сверточной нейронной сети (CNN) для удаления шумов на изображениях. Этот интегрированный метод повышает качество изображения, сокращая время обучения и энергопотребление оборудования, поддерживая устойчивую медицинскую диагностику 19,20,21,22,23. На рисунке 5 обобщена комплексная структура.

figure-protocol-1
Рисунок 5: Предлагаемая архитектура фреймворка с шумоподавлением. На этом рисунке показан полный конвейер: сбор данных, предварительная обработка (повышение резкости + сегментация K-средних), а затем шумоподавление автоэнкодера на основе CNN. В нем подчеркивается гибридный подход, направленный на сокращение энергопотребления при сохранении верности конструкции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Полный рабочий процесс обобщен на рисунке 5, где показана последовательность от настройки набора данных до предварительной обработки (повышение резкости и K-средние) и от автоматического шумоподавления от CNN до тестирования.

Настройка программного обеспечения и среды
Вариант А - Google Colab (рекомендуется для воспроизводимости): Перейдите в colab.research.google.com, нажмите «Новая записная книжка». Выберите Среда выполнения > Изменить тип среды выполнения > Аппаратный ускоритель: GPU > Сохранить. Нажмите Файл > Загрузить , чтобы загрузить предоставленную записную книжку и .zip набора данных (или подключите Google Диск, нажав Файлы > Подключить диск). В первую ячейку кода устанавливаем зависимости (уже в блокноте): pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. Нажмите Runtime > Run all. Убедитесь, что вы видите: (i) сводку среды с версиями пакетов, (ii) имя графического процессора (в выводе ячейки) и (iii) создание папки для эксперимента runs/YYYY-MM-DD/.

Вариант Б - Локальный (conda): Откройте Anaconda Prompt/Terminal и выполните:

figure-protocol-2

Поместите свой набор данных в data/raw/, а скрипты в code/. Выполните: python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. Подтвердите, чтобы увидеть: распечатку среды, обнаруженный графический процессор и запуск каталога журнала/YYYY-MM-DD/.

Подготовка набора данных
Общедоступные наборы данных КТ и МРТ были получены из репозиториев медицинской визуализации. Эти наборы данных содержали шум, типичный для реальных клинических сканирований, и были обезличены в соответствии с институциональными и этическими стандартами 8,9. Размер каждого изображения был изменен до 256 x 256 пикселей и сохранен в формате PNG или DICOM для совместимости. Наборы данных были случайным образом разделены следующим образом: 70% для обучения, 15% для валидации и 15% для тестирования, что обеспечило стратифицированное распределение модальностей визуализации и уровней шума. Статистика шума измерялась с использованием средней дисперсии пикселей до шумоподавления.

Организация папок: Создайте папку, как описано ниже:

figure-protocol-3

Чтобы добавить изображения, скопируйте обезличенные изображения КТ/МРТ в data/raw/CT и data/raw/MRI (PNG, JPG или DICOM). Стандартизация размера изображения с помощью Python (рекомендуется): Запустите ячейку блокнота Изменить размер и конвертировать. Он загружает каждое изображение, при необходимости преобразует оттенки серого и изменяет размер до 256 x 256.

figure-protocol-4

Альтернативой является использование графического интерфейса пользователя (альтернатива ImageJ/Fiji), как описано. Нажмите « Файл» > «Импортировать > последовательность изображений (или отдельные изображения»), затем «Тип изображения > > 8 бит», «Изображение > настроить > размер...» > 256 x 256, а затем File > Save As > PNG в data/preproc/.

Создание сплитов: Запустите ячейку блокнота Train/Val/Test split (70/15/15); Он перемешивает имена файлов и копирует их в data/splits/train|val|test/. Консоль выводит количество (например, Поезд: 700, Вал: 150, Тест: 150). Контрольная точка (наблюдение): Откройте данные/разделите/обучите/ и проверьте изображения в формате 256 x 256 и в оттенках серого (1 канал). Сохраните небольшой манифест CSV (splits.csv), в котором перечислены путь к файлу, модальность и разделенная метка.

Предварительная обработка изображений
Используйте ядро для заточки 3 x 3. Выполните улучшение изображения с помощью ядра повышения резкости. Для усиления анатомических границ перед сегментацией использовалось заостренное ядро свертки:

figure-protocol-5

Этот фильтр акцентирует внимание на важных структурах за счет усиления высокочастотных составляющих 4,5. Каждое изображение было свергнуто с помощью библиотеки OpenCV Python (cv2.filter2D()) для создания улучшенного изображения. На рисунке 6 показано сравнение до и после.

figure-protocol-6
Рисунок 6: График точности валидации для различных значений k. Линейчатая диаграмма, иллюстрирующая точность валидации, достигнутую для различных значений K, используемых на этапе кластеризации K-средних (K=2, 3, 4, 5). Точность достигает пика при K=3, что указывает на оптимальное разделение между анатомическими структурами и шумовыми областями. Масштаб: нормализованные значения точности (0-1). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Подайте заявку (Python/OpenCV), используя код ниже.

figure-protocol-7

Или используйте альтернативный графический интерфейс пользователя (ImageJ/Fiji), нажав «Обработать» > «Фильтры» > «Свертка». Вставьте матрицу 3 x 3 выше и нажмите OK > Файл > Сохранить как > PNG в data/preproc/enhanced/. Обратите внимание на контрольную точку, поскольку края и границы органов кажутся более четкими; Если видны чрезмерно заточенные ореолы, уменьшите центральный вес ядра с 5 до 4,5 и повторите запуск. На рисунке 7 показаны результаты шумоподавления до и после. На изображениях до отчетливо видны шумы и размытость, в то время как на изображениях после видна повышенная четкость, более четкие анатомические границы и улучшенный контраст, что демонстрирует эффективность предлагаемого конвейера шумоподавления.

figure-protocol-8
Рисунок 7: Архитектура сети Convolution NAutoencoder. Иллюстрирует архитектуру автоэнкодера: входной слой, энкодер (слои Conv + Pool), узкое место, декодер (слои Upsampling + Transposed Conv). Каждый слой помечен по размеру и функции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Кластеризация K-средних для сегментации
Улучшенные изображения были изменены с помощью NumPy (image.reshape(-1, 1)) и кластеризованы с помощью sklearn.cluster.KMeans(n_clusters=3 или 5). Сегментированный вывод был преобразован обратно в 2D (np.reshape(clustered_array, image.shape)) для визуализации анатомических областей в сравнении с зонами шума14. В таблице 1 перечислены настройки сегментации.

Ср НетЗначение kТочность
130.761
250.869
370.75

Таблица 1: Значения k с соответствующими погрешностями проверки. В этой таблице представлены точности проверки, полученные для различных значений параметра кластеризации k, используемого на этапе сегментации K-средних конвейера шумоподавления. Результаты показывают, что k = 5 дает наивысшую точность, определяющую выбор оптимальных параметров кластеризации.

Сегментация K-средних: Изменение формы и кластеризация (Python/scikit-learn) с использованием приведенного ниже кода.

figure-protocol-9

Выполните предварительный просмотр цвета (необязательно) и сопоставьте надписи с цветами для визуального контроля качества и наложения краев изображения с повышенным резкостью. Выберите K, бегая с K=3 и K=5; точность проверки вычислений на последующих этапах (в таблице 1 перечислены настройки; На рисунке 6 показана точность в зависимости от K). Это контрольно-пропускной пункт; наблюдайте за пикселями с преобладанием шума, образующими отдельные кластеры; Анатомические области должны оставаться смежными. Если появились небольшие пятнышки, нанесите анатомические границы.

Шумоподавление на основе нейронных сетей
Описание архитектуры: На рисунке 8 приведена схема encoder-bottleneck-decoder. Автоэнкодер на основе CNN был разработан с использованием TensorFlow/Keras. Архитектура включала в себя: входной слой: изображение в оттенках серого 256 x 256, кодировщик с тремя сверточными слоями (ядро: 3 x 3, stride: 1, активация ReLU), за каждым из которых следует max-pooling; узкое место в виде плотного латентного представления, декодер с тремя слоями восходящей дискретизации с транспонированными свертками, выводится в виде слоя, активируемого сигмоидой, с получением шумоподавленного изображения. В таблице 2 приведены полные послойные архитектурные параметры.

figure-protocol-10
Рисунок 8: Визуальные результаты процесса шумоподавления. Представляет исходное зашумленное изображение, предварительно обработанное изображение и окончательный шумоподавленный вывод бок о бок для качественной оценки. Демонстрирует сохранение краев и уменьшение артефактов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Ср НетАтрибуты компиляцииЗначения атрибутов компиляции
1ОптимизаторАдам
2ПотеряКатегориальная перекрестная энтропия
3МетрикаТочность

Таблица 2: Компиляция атрибутов нейронной сети. В этой таблице подробно описаны ключевые параметры компиляции, используемые для обучения модели сверточного автоэнкодера. Эти настройки были реализованы в TensorFlow и включают в себя оптимизатор, функцию потерь, метрику оценки, количество эпох и размер пакета.

Конфигурация обучения: Параметры обучения включали: функцию потерь в виде среднеквадратичной ошибки (MSE), оптимизатор в виде Адама (коэффициент обучения = 0,001), размер партии 32 и эпохи в виде 100 с ранней остановкой (терпение = 10).

Краткий обзор тренинга выглядит следующим образом. Запустите обучение, перейдя в Colab и нажав Runtime > Run all; подтвердите, что в списке указан графический процессор (например, Tesla T4). Используйте python code/train_autoencoder.py --data_root data --epochs 100 --batch 32 --lr 0.001 --early_stop 10. Мониторинг с помощью консоли печатает эпоху, train_loss, val_loss и время/эпоху. Ранняя остановка срабатывает после терпения = 10 эпох без улучшения. Лучшая модель сохраняется в runs/.../checkpoints/best.h5. Это контрольная точка, наблюдайте с помощью model.summary(), который показывает стек слоев; Количество параметров должно совпадать с таблицей 2. Если вы получаете ошибки OOM, уменьшите пакет до 16 или установите размер входных данных на 224 x 224.

Промежуточные контрольные точки и устранение неполадок
После повышения резкости и сегментации просмотрите три изображения для каждого разделения и убедитесь, что (i) края усилены, (ii) маски кластера совпадают с анатомией. Во время обучения убедитесь, что потери при валидации уменьшаются и не расходятся. Если шумоподавленный вывод выглядит чрезмерно сглаженным, уменьшите центр ядра (4,5) или увеличьте периоды обучения на 10 с более низкой скоростью обучения (например, 5e-4).

Оценка производительности: Использовались следующие количественные метрики: пиковое отношение сигнал/шум (PSNR), индекс структурного сходства (SSIM) и точность проверки классификации шумоизолированных изображений.

Предложенный метод улучшил PSNR с 21,52 до 28,14 дБ и SSIM с 0,76 до 0,86 по сравнению с базовыми моделями, представленными в 7,16. Энергоэффективность регистрировалась путем мониторинга использования графического процессора (журналы NVIDIA-SMI) и времени обучения. В таблице 3 приведены результаты шумоподавления.

Ср НетМетрическийБазовая модель
1Среднее время эпохи (сек)25.8
2Общая учебная энергия (кВтч)0.52
3Загрузка графического процессора (%)85%
4Время вывода на изображение (мс)18.7
5Точность валидации (%)76.19%
6PSNR (дБ)21.52
7ССИМ0.7619

Таблица 3: Показатели оценки эффективности базового уровня в сравнении с предложенным методом. В этой таблице сравнивается предлагаемый конвейер шумоподавления с базовой моделью по нескольким показателям производительности, включая время обучения, использование графического процессора и показатели качества (PSNR, SSIM и точность проверки). Полученные результаты свидетельствуют об улучшении энергоэффективности и качества изображения с помощью предложенного метода.

Вычисление PSNR/SSIM и энергопотребление. Для PSNR/SSIM (scikit-image) используйте код ниже.

figure-protocol-11

Для использования вычислительной энергии/графического процессора запустите ячейку, которая регистрирует nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1 для запусков/.../gpu_log.csv во время тренировки (предоставляется в блокноте). Во втором терминале выполните следующий код:

figure-protocol-12

Выполните синтаксический анализ CSV для вычисления средней мощности (Вт) и интегрирования за время обучения для расчетной энергии (Втч = кВтч). Записная книжка объединяет PSNR, SSIM, точность проверки, время эпохи и энергию в results_table3.csv для прямого включения.

Оценка устойчивости и моделирование телемедицины
Чтобы оценить устойчивость аппаратного обеспечения устройства, мы применили гауссов и пуассоновский шум для моделирования ухудшения качества изображения из-за старения устройств. Модель восстановила эти ухудшенные входные данные до качества, близкого к диагностическому, подтвердив ее надежность 27,28,29. В телемедицинском моделировании шумоподавленные изображения передавались с помощью моделируемой полосы пропускания 256 Кбит/с с использованием сокетов Python. Четкость зрения была сохранена, что позволило обеспечить дистанционную диагностику 30,31,32.

Для моделирования старения устройства примените гауссов шум (σ=10-30) и шум Пуассона к чистым изображениям (моделирование старения ячейки) и сохраните их в data/simulated/aged/. Запустите обученную модель на входных данных aged/; Сохранение выходных данных в результатах /aged_denoised/. Обратите внимание, что качество зрения должно приближаться к диагностической точности; сравните PSNR/SSIM с базовым уровнем.

Для тестирования пропускной способности телемедицины сожмите шумоподавленные изображения в PNG/JPEG со скоростью 85–95% и отправьте их по смоделированному каналу со скоростью 256 кбит/с, используя предоставленный тест сокета Python (telemed_sim.py). Измерять время кругового пути и хэш целостности файла; Убедитесь, что не введены диагностические артефакты. Обратите внимание на то, что визуальная четкость сохранена, а размеры файлов подходят для рабочих процессов с низкой пропускной способностью.

Конечная точка протокола
По завершении у вас должны быть: (i) изображения с повышенным уровнем резкости в preproc/enhanced/, (ii) сегментированные изображения в preproc/segmented/, (iii) обученный автоэнкодер с best.h5 in runs///checkpoints/, (iv) шумоподавленные выходные данные для тестовых и старых изображений в results/, (v) скомпилированный файл метрик (results_table3.csv), обобщающий PSNR, SSIM, точность проверки, время эпохи и расчетную энергию.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Результаты предварительной обработки и сегментации
Начальная фаза предварительной обработки улучшила видимость критических анатомических границ при одновременном снижении фоновых помех. Как показано на рисунке 7, более резкие изображения демонстрируют более четкую четкость краев, что способствует последующей сегментации. Сегментированные изображения, созданные с использованием кластеризации K-средних со значениями K = 3 и 5, успешно изолировали пиксели с большим количеств...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этой работе представлен гибридный подход к шумоподавлению, который объединяет предварительную обработку изображений с сверточным автоэнкодером для улучшения качества диагностического изображения при оптимизации энергопотребления и вычислительной производительности.

Метод сочетает в себе фильтры повышения резкости и кластеризацию K-средних на этапе предварительной обработки для улучшения четкости краев и уменьшения нерелевантного шума, за которым затем следуе...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Никаких конфликтов интересов, о которых можно было бы заявить.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы хотели бы выразить свою искреннюю благодарность Университету Вишвакарма (VU) в Пуне и Департаменту компьютерной инженерии Технологического института Вишвакармы (VIT) в Пуне за предоставление необходимой инфраструктуры, наборов данных и вычислительных мощностей для этого исследования. Особая благодарность студентам-исследователям за поддержку в подготовке данных и предварительном тестировании. Эта работа не была поддержана каким-либо конкретным грантом от финансирующих агентств в государственном, коммерческом или некоммерческом секторах.

Вклад автора:
Видула Мешрам внес свой вклад в концептуализацию методологии, разработку модели предварительной обработки и шумоподавления, а также надзор за рукописями. Вишал А. Мешрам руководил реализацией алгоритма, проводил обучение, тестирование и эксперименты по оценке энергии, а также участвовал в написании и редактировании рукописей. Pallavi Rege поддерживал курирование данных, обзор литературы и проверку цитирования. Гандхарва Тхайт работал над кодированием архитектуры автоэнкодера, созданием рисунков и таблиц, а также помогал в оценке производительности. Кайлас Патил и Шрикант Джадхав выступили в качестве авторов-корреспондентов, внесли свой вклад в техническую проверку, доработку рукописи и доработку заявки.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Совместная лаборатория GoogleГуглН/ДОблачная платформа, используемая для обучения и тестирования моделей
Keras (версия 2.x)Открытый исходный кодН/ДВысокоуровневый API для TensorFlow, используемый для реализации нейронной сети
Matplotlib (v3.4 или выше)Открытый исходный кодН/ДИспользуется для визуализации изображений и результатов
Майкрософт Excel 365МайкрософтН/ДИспользуется для подведения итогов и анализа
NumPy (версия 1.21 или выше)Открытый исходный кодН/ДИспользуется для матричных операций и численных вычислений
Графический процессор NVIDIA Tesla T4НДВОН/ДGPU, используемый для ускоренного обучения и инференса
Общедоступный набор медицинских изображений (снимки КТ и МРТ)Базы данных с открытым исходным кодомН/ДИспользуются в качестве исходных данных для обучения, проверки и тестирования модели
Python (версия 3.8 или выше)Python Software FoundationН/ДЯзык программирования, используемый для реализации модели
Scikit-learn (v0.24 или выше)Открытый исходный кодН/ДИспользуется для кластеризации и предварительной обработки K-средних
TensorFlow (версия 2.x)столН/ДБиблиотека глубокого обучения, используемая для разработки моделей СНС

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