Research Article

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

DOI:

10.3791/68968

⸱

September 16th, 2025

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

In This Article

Summary

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

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

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

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

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

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 algoritmalarının neden olduğu çeşitli görüntü bozulma biçimlerine karşı savunmasızdır4.

Görüntü kalitesi genellikle termal etkiler, düşük doz protokolleri, elektronik parazit, hasta hareketi veya yanlış kalibrasyon 5,6,7 nedeniyle ortaya çıkabilen gürültü nedeniyle tehlikeye girer. Örneğin BT görüntüleri, foton sayısı sınırlamaları nedeniyle sıklıkla Poisson gürültüsü sergilerken, MRI taramaları, manyetik alan tutarsızlıklarından ve yeniden yapılandırma artefaktlarındankaynaklanan Gauss ve Rician gürültüsüne eğilimlidir 8,9. Bu gürültü, ince anatomik yapıları ve patolojik belirtileri gizleyebilir, potansiyel olarak yanlış teşhislere veya tekrarlanan görüntüleme seanslarına yol açabilir, bu da radyasyona maruz kalmayı ve sağlık bakım maliyetlerini artırır. Şekil 1, Şekil 2 ve Şekil 3, tıbbi görüntülerdeki gürültünün modalitelerini, türlerini ve nedenlerini göstermektedir.

figure-introduction-1
Şekil 1: Tıbbi görüntü yakalama teknikleri. Bu şekil, X-ışını, MR, CT, PET ve Ultrason dahil olmak üzere en sık kullanılan tıbbi görüntüleme yöntemlerini göstermektedir. Her modalite benzersiz teşhis amaçlarına hizmet eder ve farklı gürültü artefaktlarına eğilimlidir. Örneğin MRI ve CT, harekete ve rekonstrüksiyona dayalı bozulmalara karşı özellikle hassastır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-introduction-2
Şekil 2: Görüntü paraziti türleri. Gauss gürültüsü, tuz ve biber gürültüsü, benek gürültüsü ve Poisson gürültüsü dahil olmak üzere tıbbi görüntülemeyi etkileyen çeşitli görüntü paraziti türlerini görüntüler. Her gürültü türü, piksel yoğunluğunu ve görüntü yapısını farklı şekilde etkiler, bu da gürültü giderme etkinliğini etkiler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-introduction-3
Şekil 3: Görüntü parazitinin nedenleri. Bu şekil, tıbbi görüntüleme sistemlerindeki gürültünün temel nedenlerini özetlemektedir. Bunlar arasında sensör hataları, elektronik parazit, düşük sinyal-gürültü oranı (SNR), hasta hareketi ve düşük doz tarama yer alır. Bu kaynakları anlamak, ön işleme ve gürültü giderme tekniklerinin seçimine bilgi sağlar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Bu zorlukların üstesinden gelmek için çeşitli gürültü giderme teknikleri kullanılmıştır. Medyan, Gauss ve Wiener filtreleri gibi klasik filtre tabanlı yöntemler hesaplama açısından verimlidir ancak çoğu zaman önemli görüntü ayrıntılarının kaybolmasına neden olur. Dalgacık eşikleme, BM3D ve anizotropik difüzyon gibi model odaklı teknikler, gelişmiş yapısal koruma sağlar, ancak ayarlama parametrelerine duyarlı olabilir veya yüksek gürültülü senaryolarda mücadele edebilir 10,11,12.

Derin öğrenmenin ortaya çıkışıyla birlikte, Evrişimli Sinir Ağları (CNN'ler), gürültülü ve temiz görüntüler arasındaki karmaşık eşlemeleri öğrenerek tıbbi görüntü gürültü gidermede olağanüstü performans göstermiştir. Bununla birlikte, derin ağlar tipik olarak yüksek hesaplama kaynakları ve uzun eğitim süresi gerektirir, bu da özellikle kaynakların kısıtlı olduğu klinik ortamlarda enerji verimliliği ile ilgili endişeleri artırır 13,14,15.

Bu sınırlamaları ele almak için son araştırmalar, karmaşıklığı azaltmak ve performansı artırmak için ön işleme tekniklerini sinir ağlarıyla entegre eden hibrit gürültü giderme çerçevelerine odaklanmıştır. Görüntü geliştirme ve K-ortalama kümeleme tabanlı segmentasyon gibi teknikler, ilgili anatomik yapıları izole etmede ve öğrenme algoritmaları üzerindeki yükü en aza indirmede umut vaat etmektedir 16,17,18.

Gürültü gidermeye ek olarak, çok modlu görüntü füzyon teknikleri, farklı görüntüleme yöntemlerinden elde edilen verileri birleştirerek tanısal ayrıntıları iyileştirmek için gelişmiştir. Son çalışmalar, tıbbi görüntü işleme alanında devam eden yenilikleri vurgulamaktadır 19,20,21,22,23.

Şekil 4 , gürültünün görüntü netliğini nasıl bozabileceğini ve potansiyel olarak klinik yorumları nasıl engelleyebileceğini göstermektedir. Bu sınırlamalar, klinik alaka düzeyini koruyan, enerji bilincine sahip, yüksek kaliteli gürültü giderme yaklaşımlarına olan ihtiyacı motive etmektedir.

figure-introduction-4
Şekil 4: Gürültünün teşhis kalitesi üzerindeki etkisi. MRI ve CT taramalarında gürültünün anatomik ayrıntıları nasıl gizlediğini gösterir. Orijinal ve gürültülü görüntülerin karşılaştırılması, özellikle organ sınırları ve yumuşak doku arayüzleri boyunca görsel netlikte bozulma olduğunu ortaya koymaktadır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Bu çalışma, hesaplama verimliliğini artırırken gürültüyü azaltmak için keskinleştirme tabanlı geliştirme ve K-ortalama segmentasyonunu CNN tabanlı bir otomatik kodlayıcı ile birleştiren yeni bir gürültü giderme hattı önermektedir. Önerilen model, standart metrikler ve kıyaslama veri kümeleri kullanılarak doğrulanır. Ek olarak, geleneksel derin öğrenme çözümlerindeki boşlukları ele alarak teletıp, eski ekipman kullanımı ve sürdürülebilir bilgi işlem alanlarında uygulanabilirliğini değerlendiriyoruz 24,25,26.

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

Protocol

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

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 tüketimini azaltırken görüntü kalitesini artırır ve sürdürülebilir tıbbi teşhisleridestekler 19,20,21,22,23. Şekil 5, uçtan uca çerçeveyi özetlemektedir.

figure-protocol-1
Şekil 5: Önerilen gürültü giderme çerçeve mimarisi. Bu şekil tüm boru hattını özetlemektedir: veri toplama, ön işleme (keskinleştirme + K-ortalama segmentasyonu), ardından CNN tabanlı otomatik kodlayıcı gürültü giderme. Yapısal doğruluğu korurken enerji kullanımını azaltmayı amaçlayan hibrit yaklaşımı vurguluyor. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İş akışının tamamı, veri kümesi kurulumundan ön işlemeye (keskinleştirme ve K-ortalamaları) CNN otomatik kodlayıcının gürültü gidermesine ve Teste kadar olan sırayı gösteren Şekil 5'te özetlenmiştir.

Yazılım ve ortam kurulumu
Seçenek A - Google Colab (tekrarlanabilirlik için önerilir): colab.research.google.com'ye gidin, Yeni Not Defteri'ne tıklayın. Çalışma Zamanı'nı seçin > Çalışma zamanı türünü değiştirin > Donanım hızlandırıcısı: GPU > Kaydet'i seçin. Sağlanan not defterini ve veri kümesini .zip yüklemek için Dosya > Karşıya Yükle'ye tıklayın (veya Dosyalar > Mount Drive'a tıklayarak Google Drive'a bağlanın). İlk kod hücresine bağımlılıkları yükleyin (zaten not defterinde): pip install opencv-python scikit-image scikit-learn tensorflow matplotlib numpy pandas. Çalışma Zamanı > Tümünü çalıştır'ı tıklatın. Şunları gördüğünüzü onaylayın: (i) paket sürümleriyle ortam özeti, (ii) GPU adı (hücre çıktısında) ve (iii) bir deneme klasörü oluşturma çalıştırmaları/YYYY-AA-GG/.

Seçenek B - Yerel (conda): Anaconda İstemi/Terminali'ni açın ve şunu çalıştırın:

figure-protocol-2

Veri kümenizi data/raw/ altına ve komut dosyalarını code/ altına yerleştirin. Çalıştır: python code/train_autoencoder.py --data_root data --img_size 256 --k_values 3 5 --epochs 100 --batch 32 --lr 0.001. Şunları görmek için onaylayın: ortam çıktısı, algılanan GPU ve bir günlük dizini çalıştırılır/YYYY-AA-GG/.

Veri kümesi hazırlama
CT ve MRI taramalarının halka açık veri kümeleri, tıbbi görüntüleme havuzlarından elde edildi. Bu veri kümeleri, gerçek dünyadaki klinik taramalara özgü gürültü içeriyordu ve kurumsal ve etik standartlaragöre kimliksizleştirildi 8,9. Her görüntü 256 x 256 piksel olarak yeniden boyutlandırıldı ve uyumluluk için PNG veya DICOM formatında saklandı. Veri kümeleri şu şekilde rastgele bölündü: p'i eğitim için, 'i doğrulama için ve 'i test için, böylece görüntüleme yöntemlerinin ve gürültü seviyelerinin katmanlı bir dağılımı sağlandı⁶. Gürültü istatistikleri, gürültü giderilmeden önce ortalama piksel varyansı kullanılarak ölçüldü.

Klasörleri düzenleyin: Aşağıda açıklandığı gibi bir klasör oluşturun:

figure-protocol-3

Görüntü eklemek için, kimliksizleştirilmiş CT/MRI görüntülerini data/raw/CT ve data/raw/MRI'ye (PNG, JPG veya DICOM) kopyalayın. Python kullanarak görüntü boyutunu standartlaştırın (önerilir): Not defteri hücresini çalıştırın Yeniden boyutlandır ve dönüştür. Her görüntüyü yükler, gerekirse gri tonlamayı dönüştürür ve 256 x 256 olarak yeniden boyutlandırır.

figure-protocol-4

Bir alternatif, açıklandığı gibi GUI (ImageJ/Fiji alternatifi) kullanmaktır. Dosya'ya tıklayın > > Görüntü Sırasını (veya tek görüntüleri) İçe Aktarın, ardından Görüntü > Türü > 8 bit, Görüntü > > Boyutunu Ayarla... > 256 x 256 ve ardından Dosya > Farklı Kaydet > PNG'yi data/preproc/ olarak kaydedin.

Bölmeler oluşturun: Not defteri hücresini Eğit/Val/Test bölmesini çalıştırın (70/15/15); Dosya adlarını karıştırır ve bunları data/splits/train|val|test/ klasörüne kopyalar. Konsol sayıları yazdırır (örneğin, Tren: 700, Val: 150, Test: 150). Kontrol noktası (gözlemle): Verileri / bölmeleri / treni / açın ve görüntülerin 256 x 256 ve gri tonlamalı (1 kanal) olduğunu doğrulayın. Dosya yolunu, modaliteyi ve bölünmüş etiketi listeleyen küçük bir CSV bildirimi (splits.csv) tutun.

Görüntü ön işleme
3 x 3 bileme çekirdeğini kullanın. Keskinleştirme çekirdeği kullanarak görüntü iyileştirme gerçekleştirin. Segmentasyondan önce anatomik sınırları geliştirmek için keskinleştirici bir evrişim çekirdeği kullanıldı:

figure-protocol-5

Bu filtre, yüksek frekanslı bileşenleri 4,5 artırarak önemli yapıları vurgular. Her görüntü, geliştirilmiş görüntüyü oluşturmak için Python'un OpenCV kitaplığı (cv2.filter2D()) kullanılarak birleştirildi. Şekil 6, öncesi ve sonrası karşılaştırmalarını göstermektedir.

figure-protocol-6
Şekil 6: Farklı değerler için doğrulama doğruluğu grafiği k. K-ortalama kümeleme adımında kullanılan çeşitli K değerleri için elde edilen doğrulama doğruluğunu gösteren çubuk grafik (K=2, 3, 4, 5). Doğruluk K=3'te zirve yapar ve anatomik yapılar ile gürültü bölgeleri arasında optimum ayrımı gösterir. Ölçek: Normalleştirilmiş doğruluk değerleri (0-1). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Aşağıdaki kodu kullanarak (Python/OpenCV) uygulayın.

figure-protocol-7

Veya Filtrelerini İşle'> > Evrişveriş'e tıklayarak GUI alternatifini (ImageJ/Fiji) kullanın. Yukarıdaki 3 x 3 matrisi yapıştırın ve tıklayın Tamam > Dosya > Farklı Kaydet > PNG'yi data/preproc/enhanced/. Kenarlar ve organ sınırları daha net göründüğü için kontrol noktasını gözlemleyin; Aşırı keskinleşmiş haleler görülürse, çekirdek merkezi ağırlığını 5'ten 4,5'e düşürün ve yeniden çalıştırın. Şekil 7 , gürültü giderme öncesi ve sonrası sonuçlarını göstermektedir. Önceki görüntüler açıkça gürültü ve bulanıklık sergilerken, sonraki görüntüler gelişmiş netlik, daha keskin anatomik sınırlar ve iyileştirilmiş kontrast göstererek önerilen gürültü giderme hattının etkinliğini gösteriyor.

figure-protocol-8
Şekil 7: Evrişim NAutoencoder ağ mimarisi. Otomatik kodlayıcı mimarisini gösterir: giriş katmanı, kodlayıcı (Conv + Havuz katmanları), darboğaz, kod çözücü (Üst Örnekleme + Transpoze Conv katmanları). Her katman boyut ve işlevle etiketlenmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

K-Segmentasyon için kümeleme anlamına gelir
Geliştirilmiş görüntüler NumPy (image.reshape(-1, 1)) kullanılarak yeniden şekillendirildi ve sklearn.cluster.KMeans(n_clusters=3 veya 5) kullanılarak kümelendi. Bölümlere ayrılmış çıktı, anatomik bölgeleri gürültü bölgelerine karşı görselleştirmek için 2D'ye (np.reshape(clustered_array, image.shape)) yeniden şekillendirildi14. Tablo 1'de segmentasyon ayarları listelenmektedir.

Sr Hayırk değeriDoğruluk
130.761
250.869
370.75

Tablo 1: Değerleri k ilgili doğrulama doğrulukları ile. Bu tablo, gürültü giderme ardışık düzeninin K-ortalama segmentasyon adımında kullanılan kümeleme parametresi k'nin farklı değerleri için elde edilen doğrulama doğruluklarını sunar. Sonuçlar, k = 5'in en yüksek doğruluğu sağladığını ve optimum kümeleme parametresi seçimine rehberlik ettiğini göstermektedir.

K-Means Segmentasyonu: Aşağıdaki kodu kullanarak yeniden şekillendirin ve kümeleyin (Python/scikit-learn).

figure-protocol-9

Renk önizlemesi (isteğe bağlı) gerçekleştirin ve görsel kalite kontrol için etiketleri renklerle eşleştirin ve keskinleştirilmiş görüntüden kenarları bindirin. K=3 ve K=5 ile koşarak K'yi seçin; aşağı akış bilgi işlem doğrulama doğruluğu (Tablo 1'de ayarlar; Şekil 6 , K'ye karşı doğruluğu göstermektedir). Bu bir kontrol noktasıdır; farklı kümeler oluşturan gürültünün baskın olduğu pikselleri gözlemleyin; anatomik bölgeler bitişik kalmalıdır. Küçük benekler belirirse, anatomik sınırlar uygulayın.

Sinir ağı tabanlı gürültü giderme
Mimari açıklaması: Kodlayıcı-darboğaz-kod çözücü şeması için Şekil 8'e bakın. TensorFlow/Keras kullanılarak CNN tabanlı bir otomatik kodlayıcı geliştirildi. Mimari şunları içeriyordu: giriş katmanı: 256 x 256 gri tonlamalı görüntü, üç evrişimli katmana sahip kodlayıcı (çekirdek: 3 x 3, adım: 1, ReLU aktivasyonu), her biri maksimum havuzlama tarafından takip edilir; yoğun gizli temsil olarak darboğaz, devrik evrişimlere sahip üç yukarı örnekleme katmanına sahip kod çözücü, gürültüsü giderilmiş bir görüntü üreten Sigmoid ile etkinleştirilen katman olarak çıktı. Tablo 2 , tam katman bazında mimari parametreler sağlar.

figure-protocol-10
Şekil 8: Gürültü giderme işleminin görsel sonuçları. Niteliksel değerlendirme için orijinal gürültülü görüntüyü, önceden işlenmiş görüntüyü ve son gürültüsü giderilmiş çıktıyı yan yana sunar. Kenar koruma ve artefakt azaltma gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Sr HayırDerleme öznitelikleriDerleme özniteliklerinin değerleri
1IyileştiricisiAdem
2KayıpKategorik Çapraz entropi
3ÖlçümDoğruluk

Tablo 2: Sinir ağının derleme öznitelikleri. Bu tablo, evrişimli otomatik kodlayıcı modelini eğitmek için kullanılan temel derleme parametrelerini detaylandırır. Bu ayarlar TensorFlow'da uygulanmıştır ve optimize ediciyi, kayıp işlevini, değerlendirme metriğini, dönem sayısını ve parti boyutunu içerir.

Eğitim yapılandırması: Eğitim parametreleri şunları içeriyordu: Ortalama Hata Karesi (MSE) olarak kayıp fonksiyonu, Adam olarak optimize edici (öğrenme oranı = 0.001), 32 parti boyutu ve erken durdurma ile 100 olarak dönemler (sabır = 10).

Eğitime kısa bir genel bakış aşağıdaki gibidir. Colab'a gidip Çalışma Zamanı'nı > Tümünü çalıştır'ı tıklayarak eğitimi başlatın; GPU'nun listelendiğini onaylayın (örneğin, Tesla T4). Python kodu/train_autoencoder.py --data_root verilerini kullanın --epochs 100 --batch 32 --lr 0.001 --early_stop 10. Konsolu kullanarak izleyin dönem, train_loss, val_loss ve saat/dönem yazdırır. Sabırdan sonra erken durdurma tetikleyicileri=iyileşme olmadan 10 dönem. En iyi model runs/.../checkpoints/best.h5 dosyasına kaydedilir. Bu bir kontrol noktasıdır, katman yığınını gösteren model.summary() işlevini kullanarak gözlemleyin; parametre sayısı Tablo 2 ile eşleşmelidir. OOM hataları alırsanız toplu işlemi 16'ya düşürün veya giriş boyutunu 224 x 224 olarak ayarlayın.

Ara kontrol noktaları ve sorun giderme
Keskinleştirme ve segmentasyondan sonra, bölme başına üç görüntüyü önizleyin ve (i) kenarların iyileştirildiğini, (ii) küme maskelerinin anatomi ile hizalandığını onaylayın. Eğitim sırasında doğrulama kaybının azaldığından ve sapmadığından emin olun. Gürültüsü giderilmiş çıktı aşırı yumuşatılmış görünüyorsa, çekirdek merkezini azaltın (4.5) veya daha düşük bir öğrenme oranıyla (örneğin, 5e-4) eğitim dönemlerini 10 artırın.

Performans değerlendirmesi: Aşağıdaki nicel ölçümler kullanıldı: En Yüksek Sinyal-Gürültü Oranı (PSNR), Yapısal Benzerlik İndeksi Ölçüsü (SSIM) ve gürültüsü giderilmiş görüntü sınıflandırmasının Doğrulama Doğruluğu.

Önerilen yöntem, 21.52'da sunulan temel modellere kıyasla PSNR'yi 28.14'den 0.76 dB'ye ve SSIM'i 0.86'dan 7,16 dB'ye iyileştirdi. GPU kullanımı (NVIDIA-SMI günlükleri) ve eğitim süresi izlenerek enerji verimliliği kaydedildi. Tablo 3, gürültü giderme sonuçlarını özetlemektedir.

Sr HayırMetrikTemel Model
1Ortalama Dönem Süresi (sn)25.8
2Toplam Antrenman Enerjisi (kWh)0.52
3GPU Kullanımı (%)85%
4Görüntü Başına Çıkarım Süresi (ms)18.7
5Doğrulama Doğruluğu (%)76.19%
6PSNR (dB)21.52
7SSIM0.7619

Tablo 3: Önerilen yönteme karşı temel performans değerlendirme ölçütleri. Bu tablo, önerilen gürültü giderme işlem hattını eğitim süresi, GPU kullanımı ve kalite ölçümleri (PSNR, SSIM ve doğrulama doğruluğu) dahil olmak üzere çeşitli performans ölçümlerinde temel modelle karşılaştırır. Sonuçlar, önerilen yöntemle enerji verimliliğinin ve görüntü kalitesinin arttığını göstermektedir.

PSNR/SSIM ve enerji kullanımını hesaplayın. PSNR/SSIM (scikit-image) için aşağıdaki kodu kullanın.

figure-protocol-11

Enerji/GPU kullanımını hesaplamak için, eğitim sırasında nvidia-smi --query-gpu=power.draw,utilization.gpu --format=csv -l 1'i çalıştır gpu_log.csv an hücreyi çalıştırın (not defterinde sağlanır). İkinci bir terminalde aşağıdaki kodu çalıştırın:

figure-protocol-12

Ortalama gücü (W) hesaplamak için CSV'yi ayrıştırın ve tahmini enerji (Wh = kWh) için eğitim süresi boyunca entegre edin. Dizüstü bilgisayar, doğrudan dahil edilmek üzere PSNR, SSIM, doğrulama doğruluğu, dönem süresi ve enerjiyi results_table3.csv toplar.

Sürdürülebilirlik değerlendirmesi ve teletıp simülasyonu
Cihaz donanımının sürdürülebilirliğini değerlendirmek amacıyla, eskiyen cihazlardan kaynaklanan görüntü bozulmasını simüle etmek amacıyla Gauss ve Poisson gürültüsünü uyguladık. Model, bu bozulmuş girdileri tanıya yakın kaliteye geri döndürerek sağlamlığınıdoğruladı 27,28,29. Teletıp simülasyonlarında, gürültüsü giderilmiş görüntüler Python soketleri kullanılarak simüle edilmiş 256 Kbps bant genişliği ile iletildi. Uzaktan tanılamayı 30,31,32 destekleyen görsel netlik korundu.

Cihaz yaşlandırma simülasyonu için, görüntüleri temizlemek (hücre Yaşlanma simülasyonu) için Gauss gürültüsü (σ=10-30) ve Poisson gürültüsü uygulayın ve verilere/simüle edilmiş/yaşlı/'ya kaydedin. Eğitilen modeli yaşlı/girdiler üzerinde çalıştırın; Çıktıları Results/aged_denoised/ klasörüne kaydedin. Görsel kalitenin tanıya yakın doğruluğa ulaşması gerektiğini gözlemleyin; PSNR/SSIM'i taban çizgisiyle karşılaştırın.


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

Results

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

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...

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

Discussion

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

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...

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

Disclosures

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

Beyan edilecek çıkar çatışması yok.

Acknowledgements

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

Yazarlar, bu araştırma için gerekli altyapıyı, veri kümelerini ve bilgi işlem olanaklarını sağladıkları için Pune'daki Vishwakarma Üniversitesi'ne (VU) ve Pune'daki Vishwakarma Teknoloji Enstitüsü (VIT) Bilgisayar Mühendisliği Bölümü'ne içten şükranlarını sunmak isterler. Veri hazırlama ve ön testlerdeki destekleri için öğrenci araştırma stajyerlerine özel teşekkürlerimizi sunarız. Bu çalışma, kamu, ticari veya kar amacı gütmeyen sektörlerdeki finansman kuruluşlarından herhangi bir özel hibe ile desteklenmemiştir.

Yazar katkısı:
Vidula Meshram, metodolojinin kavramsallaştırılmasına, ön işleme ve gürültü giderme modelinin tasarımına ve el yazması denetimine katkıda bulundu. Vishal A. Meshram, algoritmanın uygulanmasına öncülük etti, eğitim, test ve enerji değerlendirme deneyleri gerçekleştirdi ve makale yazımı ve düzenlemesine katkıda bulundu. Pallavi Rege, veri iyileştirmeyi, literatür taramasını ve alıntı doğrulamayı destekledi. Gandharva Thite, otomatik kodlayıcı mimarisini kodlamak, şekiller ve tablolar oluşturmak ve performans değerlendirmesine yardımcı olmak için çalıştı. Kailas Patil ve Shrikant Jadhav sorumlu yazarlar olarak görev yaptılar, teknik doğrulamaya, makale revizyonuna katkıda bulundular ve gönderimi tamamladılar.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Google Ortak LaboratuvarıGoogle'daYOKModel eğitimi ve testi için kullanılan bulut platformu
Keras (v2.x)Açık kaynakYOKSinir ağı uygulaması için kullanılan TensorFlow için üst düzey API
Matplotlib (v3.4 veya üzeri)Açık kaynakYOKGörüntülerin ve sonuçların görselleştirilmesi için kullanılır
Microsoft Excel 365MicrosoftYOKSonuç tablolama ve analiz için kullanılır
NumPy (v1.21 veya üzeri)Açık kaynakYOKMatris işlemleri ve sayısal hesaplama için kullanılır
NVIDIA Tesla T4 GPUNVIDIAYOKHızlandırılmış eğitim ve çıkarım için kullanılan GPU
Kamuya Açık Tıbbi Görüntüleme Veri Kümesi (CT ve MRI Görüntüleri)Açık Kaynak VeritabanlarıYOKModel eğitimi, doğrulama ve test için kaynak veri olarak kullanılır
Python (v3.8 veya üzeri)Python Yazılım VakfıYOKModel uygulaması için kullanılan programlama dili
Scikit-learn (v0.24 veya üzeri)Açık kaynakYOKK-ortalamaları kümeleme ve ön işleme için kullanılır
TensorFlow (v2.x)masaYOKCNN model geliştirme için kullanılan derin öğrenme kütüphanesi

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