基于人工智能系统的精确范式,用于消除基于人工智能系统的退化超声图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 超声波图像质量对于准确的医学诊断至关重要.
• 像斑点,高斯式和盐和胡噪音等图像退化,以及模糊,显著损害了诊断效用.
• 有效的消噪需要解决特定类型的噪音.

研究的目的:

• 为了开发一个准确的超声波图像 denoising 策略.
• 实施一种系统,首先检测超声波图像中存在的噪声类型.
• 根据检测到的噪声类型应用适当的无声化方法,以提高图像质量.

主要方法:

• 利用卷积神经网络 (CNN) 进行自动噪音类型分类.
• 训练并评估预先训练的CNN模型:谷歌网,VGG-19,亚历克斯网和亚历克斯网支持向量机 (SVM).
• 使用 782 个合成超声波图像的数据集与各种噪音类型用于培训和验证.

主要成果:

• 亚历克斯Net-SVM模型表现出卓越的性能,在分类噪音类型方面达到99.2%的准确性.
• 提出的检测-然后-拒绝策略在真实超声波图像上得到了验证,展示了其有效性.
• 该系统成功地识别并促进了消除各种噪音腐败的情况.

结论:

• 使用CNN开发的噪声检测技术对于超声波图像非常准确.
• 集成的检测-然后-denoise系统为改善超声波图像质量提供了强大的解决方案.
• 这种方法具有显著的潜力,可以提高医疗超声波应用中的诊断准确性.