Энергоэффективные методы шумоподавления на основе машинного обучения для устойчивой медицинской визуализации

Summary

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

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

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 изображен....

Protocol

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 интегрированны....

Results

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.......

Discussion

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.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Совместная лаборатория Google	Гугл	Н/Д	Облачная платформа, используемая для обучения и тестирования моделей
Keras (версия 2.x)	Открытый исходный код	Н/Д	Высокоуровневый API для TensorFlow, используемый для реализации нейронной сети
Matplotlib (v3.4 или выше)	Открытый исходный код	Н/Д	Используется для визуализации изображений и результатов
Майкрософт Excel 365	Майкрософт	Н/Д	Используется для подведения итогов и анализа
NumPy (версия 1.21 или выше)	Открытый исходный код	Н/Д	Используется для матричных операций и численных вычислений
Графический процессор NVIDIA Tesla T4	НДВО	Н/Д	GPU, используемый для ускоренного обучения и инференса
Общедоступный набор медицинских изображений (снимки КТ и МРТ)	Базы данных с открытым исходным кодом	Н/Д	Используются в качестве исходных данных для обучения, проверки и тестирования модели
Python (версия 3.8 или выше)	Python Software Foundation	Н/Д	Язык программирования, используемый для реализации модели
Scikit-learn (v0.24 или выше)	Открытый исходный код	Н/Д	Используется для кластеризации и предварительной обработки K-средних
TensorFlow (версия 2.x)	стол	Н/Д	Библиотека глубокого обучения, используемая для разработки моделей СНС