Адаптивне шумоподавлення медичних зображень з використанням фантомів та вдосконаленої архітектури U-Net

Денис Геннадійович Слюсаренко; Андрій В'ячеславович Нетреба

doi:10.20535/S0021347025020049

Автор(и)

Денис Геннадійович Слюсаренко Київський національний університет імені Тараса Шевченка , Україна https://orcid.org/0009-0009-1802-5859
Андрій В'ячеславович Нетреба Київський національний університет імені Тараса Шевченка , Україна https://orcid.org/0000-0003-1347-3854

DOI:

https://doi.org/10.20535/S0021347025020049

Ключові слова:

усунення шуму з медичних зображень, усунення шуму на основі фантомів, адаптивне придушення шуму, адаптивна спільна просторово-часова обробка сигналів, глибоке навчання, статистика шуму, МРТ, нейронна мережа

Анотація

У статті запропоновано підхід до усунення шуму з медичних зображень, який поєднує глибоку нейронну мережу типу U-Net з модулями атроусного просторового пірамідального пулінгу ASPP (Atrous Spatial Pyramid Pooling), координатними шарами та адаптивною модуляцією на основі статистичних параметрів шуму, отриманих у результаті попереднього аналізу фантомів. Ця архітектура якісно враховує просторові закономірності шуму та моделює його інтенсивність у різних ділянках зображення, що дозволяє краще зберегти різноманітні дрібні структури та контури навіть у зонах із слабким сигналом. Для підвищення якості реконструкції додатково використано комбіновану функцію втрат, яка включає градієнтну втрату, індекс структурної подібності SSIM (Structural Similarity Index) та середню абсолютну похибку MAE (Mean Absolute Error). Перевірка на реальних даних показала перевагу запропонованого методу над сучасними підходами, такими як конволюційна нейронна мережа для усунення шуму DnCNN (Denoising Convolutional Neural Network), гнучка мережа шумоподавлення FFDNet (Flexible Feature Denoising Network) та зіставлення блоків та 3D-фільтрація BM3D (Block-Matching and 3D Filtering), як за кількісними показниками (PSNR збільшився з 28 до 41 дБ, SSIM — з 0,5 до 0,97, EPI зменшився з 1–6,5 до стабільного значення 1), так і за показниками візуальної реконструкції. Результати демонструють потенціал цього методу для клінічного застосування та автоматичного попереднього покращення зображень цифрової візуалізації та комунікації в медицині DICOM (Digital Imaging and Communications in Medicine).

Посилання

H. Xie et al., “Unified noise-aware network for low-count PET denoising with varying count levels,” IEEE Trans. Radiat. Plasma Med. Sci., vol. 8, no. 4, pp. 366–378, Apr. 2024, doi: 10.1109/TRPMS.2023.3334105.
F. Hashimoto, Y. Onishi, K. Ote, H. Tashima, A. J. Reader, and T. Yamaya, “Deep learning-based PET image denoising and reconstruction: a review,” Radiol. Phys. Technol., vol. 17, no. 1, pp. 24–46, Mar. 2024, doi: 10.1007/s12194-024-00780-3.
D. Hussain and Y. Hyeon Gu, “Exploring the impact of noise and image quality on deep learning performance in DXA images,” Diagnostics, vol. 14, no. 13, p. 1328, Jun. 2024, doi: 10.3390/diagnostics14131328.
Z. Huang et al., “MLNAN: Multi-level noise-aware network for low-dose CT imaging implemented with constrained cycle Wasserstein generative adversarial networks,” Artif. Intell. Med., vol. 143, p. 102609, Sep. 2023, doi: 10.1016/j.artmed.2023.102609.
K. Rao, M. Bansal, and G. Kaur, “An effective CT medical image enhancement system based on DT-CWT and adaptable morphology,” Circuits, Syst. Signal Process., vol. 42, no. 2, pp. 1034–1062, Feb. 2023, doi: 10.1007/s00034-022-02163-8.
P. B. Pires, J. D. Santos, and I. V. Pereira, “Artificial neural networks,” in Encyclopedia of Information Science and Technology, Sixth Edition, IGI Global Scientific Publishing, 2024, pp. 1–25.
S. Katta, P. Singh, D. Garg, and M. Diwakar, “A hybrid approach for CT image noise reduction combining method noise-CNN and Shearlet transform,” Biomed. Pharmacol. J., vol. 17, no. 3, pp. 1875–1898, Sep. 2024, doi: 10.13005/bpj/2991.
D. Sliusarenko, A. Netreba, and S. Radchenko, “Refining clarity medical image via U-net with Tailored architectural modifications and transfer learning,” in 2024 IEEE 42nd International Conference on Electronics and Nanotechnology (ELNANO), 2024, pp. 456–460, doi: 10.1109/ELNANO63394.2024.10756858.
N. Nazir, A. Sarwar, and B. S. Saini, “Recent developments in denoising medical images using deep learning: An overview of models, techniques, and challenges,” Micron, vol. 180, p. 103615, May 2024, doi: 10.1016/j.micron.2024.103615.
S. M. A. Sharif, R. A. Naqvi, and W.-K. Loh, “Two-stage deep denoising with self-guided noise attention for multimodal medical images,” IEEE Trans. Radiat. Plasma Med. Sci., vol. 8, no. 5, pp. 521–531, May 2024, doi: 10.1109/TRPMS.2024.3380090.
Q. Li et al., “Low-dose computed tomography image reconstruction via a multistage convolutional neural network with autoencoder perceptual loss network,” Quant. Imaging Med. Surg., vol. 12, no. 3, pp. 1929–1957, Mar. 2022, doi: 10.21037/qims-21-465.
H. Zhao, L. Qian, Y. Zhu, and D. Tian, “Low dose CT image denoising: a comparative study of deep learning models and training strategies,” AI Med., p. 7, Nov. 2024, doi: 10.53941/aim.2024.100007.
S.-F. Shih et al., “K-space Low-rankness Enabled Additive NoisE Removal (KLEANER) to denoise multi-coil multi-contrast low-field MRI,” in Proc. of ISMRM & ISMRT Annual Meeting & Exhibition, 2024, doi: 10.58530/2024/4175.
M. B. Hossain, R. K. Shinde, S. Oh, K.-C. Kwon, and N. Kim, “A systematic review and identification of the challenges of deep learning techniques for undersampled magnetic resonance image reconstruction,” Sensors, vol. 24, no. 3, p. 753, Jan. 2024, doi: 10.3390/s24030753.
A. Becker et al., “FiLM-ensemble: probabilistic deep learning via feature-wise linear modulation,” in Advances in Neural Information Processing Systems 35, 2022, pp. 22229–22242, doi: 10.52202/068431-1615.
D. Sliusarenko, A. Netreba, and S. Radchenko, “MRI denoising neural network architecture convolution,” in 2023 IEEE 12th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 2023, pp. 968–971, doi: 10.1109/IDAACS58523.2023.10348629.
I. Mezni, A. Ben Slama, Z. Mbarki, H. Seddik, and H. Trabelsi, “Automated identification of SD-optical coherence tomography derived macular diseases by combining 3D-block-matching and deep learning techniques,” Comput. Methods Biomech. Biomed. Eng. Imaging Vis., vol. 9, no. 6, pp. 660–669, Nov. 2021, doi: 10.1080/21681163.2021.1926329.
A. Annavarapu, S. Borra, V. B. R. Dinnepu, and M. P. Mishra, “A hybrid medical image denoising based on block matching 3D collaborative filtering,” SN Comput. Sci., vol. 5, no. 1, p. 35, Nov. 2023, doi: 10.1007/s42979-023-02359-y.
Z. Chen, K. Pawar, M. Ekanayake, C. Pain, S. Zhong, and G. F. Egan, “Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges,” J. Digit. Imaging, vol. 36, no. 1, pp. 204–230, Nov. 2022, doi: 10.1007/s10278-022-00721-9.
R. Liu, S. Xiao, T. Liu, F. Jiang, C. Yuan, and J. Chen, “Dual stage MRI image restoration based on blind spot denoising and hybrid attention,” BMC Med. Imaging, vol. 24, no. 1, p. 259, Sep. 2024, doi: 10.1186/s12880-024-01437-8.
Z. Deng and J. Campbell, “Sparse mixture-of-experts for non-uniform noise reduction in MRI images,” in 2025 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), 2025, pp. 260–268, doi: 10.1109/WACVW65960.2025.00036.