АДАПТИВНЕ ЗНЕШУМЛЕННЯ МРТ-ЗОБРАЖЕНЬ МОЗКУ З ВИКОРИСТАННЯМ НЕЙРОННИХ МЕРЕЖ ТА РОЗБИТТЯ НА ДІАПАЗОНИ

Анотація

Вступ. Розроблено модель автоенкодера для знешумлення, призначену для покращення якості Т1-зважених магнітно-резонансних томографічних (МРТ) зображень мозку.

Методи. Ця модель використовує методи глибокого навчання і містить додаткові компоненти для підвищення продуктивності та збереження структурної цілісності зображень. Ключовими елементами є згорткові шари для вилучення ознак, нормалізація пакетів для стабільності, dropout для регуляризації та унікальний шар градієнтних обмежень для збереження плавності градієнтів. Порівняно з іншими моделями, які також дають хороші результати, наша модель використовує менший набір даних. Інші моделі також застосовують некласичні DICOM-зображення, що сильно відрізняється від реальних клінічних завдань.

Результати. Спеціалізована функція активації класифікує значення пікселів на основі попередньо визначених діапазонів, забезпечуючи адаптацію моделі до різних рівнів інтенсивності в даних МРТ. Архітектура складається зі структури енкодер–декодер із кількома етапами пониження вибірки та конкатенації, що сприяло відтворенню високоякісних зображень. Поєднання цих елементів привело до створення надійної моделі, здатної знижувати рівні шуму, зберігаючи при цьому важливі анатомічні деталі. Одною з переваг розробленої моделі є використання DICOM-зображень замість класичного підходу з великими наборами jpeg-зображень, які через свою природу мають втрати і спотворення, що може призвести до неправильної діагностики.

Висновки. Використання DICOM-зображень дає більш повну картину і містить усі необхідні деталі медичного зображення, які нам вдалося відновити після застосування різних рівнів шуму. Застосування цієї моделі автоенкодера покращило чіткість і діагностичну цінність МРТ-сканів, забезпечуючи радіологів кращими інструментами для точнішого оцінювання. Дослідження було проведено на основі комплексного набору даних Т1-зважених МРТ-зображень мозку.

Посилання

Aja-Fernández, S., & Vegas Sánchez-Ferrero, G. (2016). Statistical Analysis of Noise in MRI. Springer. https://doi.org/10.1007/978-3-319-39934-8

Cleary, J.O.S.H., & Guimarães, A.R. (2014). Magnetic Resonance Imaging. In L.M. McManus & R.N. Mitchell (Eds.), Pathobiology of Human Disease (pp. 3987–4004). Academic Press. https://doi.org/10.1016/B978-0-12-386456-7.07609-7

Ding, K., Ma, K., Wang, S., & Simoncelli, E.P. (2022). Image Quality Assessment: Unifying Structure and Texture Similarity. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(5), 2567–2581. https://doi.org/10.1109/TPAMI.2020.3045810

Ghalambaz, M., Sheremet, M.A., Khan, M.A., Raizah, Z., & Shafi, J. (2024). Physics-informed neural networks (P INNs): Application categories, trends and impact. International Journal of Numerical Methods for Heat & Fluid Flow, 34(8), 3131–3165. https://doi.org/10.1108/HFF-09-2023-0568

Mason, A., Rioux, J., Clarke, S.E., Costa, A., Schmidt, M., Keough, V., Huynh, T., & Beyea, S. (2020). Comparison of Objective Image Quality Metrics to Expert Radiologists’ Scoring of Diagnostic Quality of MR Images. IEEE Transactions on Medical Imaging, 39(4), 1064–1072. https://doi.org/10.1109/TMI.2019.2930338

Mudeng, V., Kim, M., & Choe, S. (2022). Prospects of Structural Similarity Index for Medical Image Analysis. Applied Sciences, 12(8), Article 8. https://doi.org/10.3390/app12083754

Sliusarenko, D., Netreba, A., & Radchenko, S. (2023). MRI Denoising Neural Network Architecture Convolution. 2023 IEEE 12th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (1, pp. 968–971). IEEE Explore. https://doi.org/10.1109/IDAACS58523.2023.10348629

Thakur, R.S., Chatterjee, S., Yadav, R.N., & Gupta, L. (2023). Chapter 5–Medical image denoising using convolutional neural networks. In S.S. Rajput, N.U. Khan, A.K. Singh, & K.V. Arya (Eds.), Digital Image Enhancement and Reconstruction (pp. 115–138). Academic Press. https://doi.org/10.1016/B978-0-32-398370-9.00012-3