Sürdürülebilir Tıbbi Görüntüleme için Enerji Verimli Makine Öğrenimi Tabanlı Gürültü Giderme Teknikleri

Summary

Bu çalışma, tıbbi görüntü kalitesini iyileştirmek, hesaplama maliyetini azaltmak ve sürdürülebilir teşhis uygulamalarını desteklemek için görüntü ön işlemeyi entegre eden, enerji açısından verimli bir gürültü giderme metodolojisi önermektedir. Yöntem, düşük dozlu ve eski taramalarda netliği artırarak uzaktan tanıya olanak tanırken radyasyona maruz kalmayı, enerji kullanımını ve elektronik atıkları azaltır.

Abstract

Geleneksel derin öğrenme modelleri gürültü giderme potansiyeli göstermiştir, ancak kapsamlı hesaplama yükü, enerji kullanımı ve eğitim süresi gibi zorluklarla karşı karşıyadır. Bu çalışma, sinir ağlarını uygulamadan önce girdi kalitesini iyileştirmek için ön işleme teknikleri olarak görüntü iyileştirme ve K-ortalama kümelemeyi entegre eden, enerji açısından verimli bir gürültü giderme metodolojisi sunmaktadır. Bu çalışma, evrişimli bir otomatik kodlayıcının uygulanmasından önce keskinleştirme çekirdekleri kullanarak görüntü iyileştirmeyi ve K-ortalama kümeleme yoluyla görüntü segmentasyonunu entegre eden, enerji açısından verimli bir gürültü giderme boru hattı önermektedir. Ön işleme adımları, modelin anatomik sınırları belirlemesine ve gürültüden etkilenen bölgeleri ayırmasına olanak tanıdı, böylece girdi kalitesini iyileştirdi ve eğitim yakınsamasını artırdı. Ön işleme, temel görüntü özelliklerini keskinleştirir ve gürültüden etkilenen bölgeleri ayırt ederek uyarlanabilir eşikleme ve daha düşük hesaplama maliyetiyle daha etkili gürültü giderme sağlar. Önerilen model, halka açık BT ve MRI veri kümeleri kullanılarak değerlendirildi. Performans, Tepe Sinyal-Gürültü Oranı (PSNR), Yapısal Benzerlik İndeksi Ölçüsü (SSIM) ve sınıflandırma doğruluğu ile değerlendirildi. Sonuçlar, PSNR'nin 21.52 dB'den 28.14 dB'ye yükseldiğini gösterdi; SSIM 0,7619'dan 0,8690'a yükseldi ve doğrulama doğruluğu da iyileştirildi. Entegre ön işleme, eğitim süresini ~%20 oranında azalttı ve GPU kullanımını azalttı, böylece hesaplama açısından kısıtlı ortamlarda tekrarlanabilirliği ve dağıtımı destekledi. Metodoloji, radyasyona maruz kalmayı en aza indirerek, tekrarlanan taramaları azaltarak ve eski görüntüleme ekipmanlarının ömrünü uzatarak sürdürülebilir tıbbi görüntüleme uygulamalarını destekler. Bu boru hattı, radyasyona maruz kalmayı en aza indirerek, tekrarlanan taramaları azaltarak ve eski görüntüleme ekipmanlarının ömrünü uzatarak sürdürülebilir tıbbi görüntülemeye katkıda bulunur. Ayrıca, düşük kaynak ortamlarında teletıp iş akışlarını geliştiren uzaktan teşhis için de uygundur. Ek olarak yaklaşım, uzaktan tanılamayı destekleyerek düşük kaynak ortamlarındaki teletıp uygulamaları için uygun hale getiriyor.

Introduction

Tıbbi görüntüleme, iç anatomik ve fizyolojik koşullara ilişkin invazif olmayan bilgiler sunarak teşhis ve tedavi planlamasında önemli bir rol oynar. Çeşitli görüntüleme yöntemleri, X-ışını, Bilgisayarlı Tomografi (BT), Manyetik Rezonans Görüntüleme (MRI), Ultrason ve Pozitron Emisyon Tomografisi (PET), anormallikleri tespit etmek, hastalığın ilerlemesini izlemek ve müdahalelere rehberlik etmek için klinik ortamlarda rutin olarak kullanılmaktadır ^1,2,3. Her modalite benzersiz avantajlar sergiler, ancak enstrümantasyon sınırlamaları, edinim ortamı ve yeniden yapılandırma algori....

Protocol

Bu çalışmada yalnızca kamuya açık, kimliksizleştirilmiş BT ve MRI görüntüleme veri kümeleri kullanılmıştır. Hiçbir canlı insan veya hayvan denek dahil edilmedi. Bu nedenle, kurumsal inceleme kurulu (IRB) veya etik kurul onayı gerekmemiştir.

Yönteme genel bakış
Bu protokol, enerji tasarruflu tıbbi görüntü gürültü giderme için tekrarlanabilir bir boru hattı sunar. Keskinleştirme filtreleri ve K-ortalama kümeleme dahil olmak üzere ön işleme tekniklerini, görüntülerin gürültüsünü gidermek için evrişimli sinir ağı (CNN) tabanlı bir otomatik kodlayıcıyla birleştirir. Bu entegre yöntem, eğitim süresini ve donanım enerji tüketim....

Results

Ön işleme ve segmentasyon sonuçları
İlk ön işleme aşaması, arka plan girişimini azaltırken kritik anatomik sınırların görünürlüğünü artırdı. Şekil 7'de görselleştirildiği gibi, keskinleştirilmiş görüntüler, aşağı akış segmentasyonuna yardımcı olan daha net kenar tanımı sergiledi. K = 3 ve 5 değerleriyle K-ortalama kümeleme kullanılarak oluşturulan bölümlere ayrılmış görüntüler, tanısal olarak ilgili alanlardan³³ gürültü ağırlıklı pikselleri başarıy.......

Discussion

Bu çalışma, enerji kullanımını ve hesaplama performansını optimize ederken tanısal görüntü kalitesini artırmak için görüntü ön işlemeyi evrişimli bir otomatik kodlayıcıyla birleştiren hibrit bir gürültü giderme yaklaşımı sunmaktadır.

Yöntem, kenar netliğini artırmak ve alakasız gürültüyü azaltmak için ön işleme aşamasında keskinleştirme filtrelerini ve K-ortalama kümelemeyi birleştirir ve ardından uyarlanabilir gürültü giderme için CNN tabanlı bir otomatik kod.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Ortak Laboratuvarı	Google'da	YOK	Model eğitimi ve testi için kullanılan bulut platformu
Keras (v2.x)	Açık kaynak	YOK	Sinir ağı uygulaması için kullanılan TensorFlow için üst düzey API
Matplotlib (v3.4 veya üzeri)	Açık kaynak	YOK	Görüntülerin ve sonuçların görselleştirilmesi için kullanılır
Microsoft Excel 365	Microsoft	YOK	Sonuç tablolama ve analiz için kullanılır
NumPy (v1.21 veya üzeri)	Açık kaynak	YOK	Matris işlemleri ve sayısal hesaplama için kullanılır
NVIDIA Tesla T4 GPU	NVIDIA	YOK	Hızlandırılmış eğitim ve çıkarım için kullanılan GPU
Kamuya Açık Tıbbi Görüntüleme Veri Kümesi (CT ve MRI Görüntüleri)	Açık Kaynak Veritabanları	YOK	Model eğitimi, doğrulama ve test için kaynak veri olarak kullanılır
Python (v3.8 veya üzeri)	Python Yazılım Vakfı	YOK	Model uygulaması için kullanılan programlama dili
Scikit-learn (v0.24 veya üzeri)	Açık kaynak	YOK	K-ortalamaları kümeleme ve ön işleme için kullanılır
TensorFlow (v2.x)	masa	YOK	CNN model geliştirme için kullanılan derin öğrenme kütüphanesi