提高诊断精度:一种基于分布的压缩脱离方案,使用转移学习来减少医学成像中的噪音
Shtwai Alsubai1, Waseem Ahmad2, Mohd Anjum3
1Department of Computer Science, College of Computer Engineering and Sciences in Al-Kharj, Prince Sattam bin Abdulaziz University, Al-Kharj 11942, Saudi Arabia.
Current medical imaging
|September 19, 2025
概括
本研究介绍了一种基于分布的压缩无效化方案 (DCDS),使用转移学习来进行医学图像无效化. 通过有效减少CT扫描中的噪音,DCDS提高了诊断准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 医疗图像噪声阻碍了准确的诊断和治疗.
- 传统的无色化方法通常需要大量的数据或牺牲图像细节.
- 开发有效的无色化技术对于可靠的医学图像解释至关重要.
研究的目的:
- 引入一种新的基于分布的压缩排毒方案 (DCDS),以提高医疗图像的排毒.
- 为了提高诊断精度和效率,利用转移学习.
- 分析像素分布,以区分正常和杂的像素.
主要方法:
- 提出了一个基于分布的压缩剥离方案 (DCDS),利用转移学习.
- 采用增量和减量分布验证用于像素分析.
- 在胸部CT扫描数据集上训练模型,使用高斯式噪声,使用相关映射来估计差异.
主要成果:
- DCDS在降噪,差异检测和诊断精度方面取得了显著的改进.
- 在评估范围 (24-32 dB) 中实现了峰值信号与噪声比率的改善,以及超过82%的噪声降低.
- 降低了平均错误和分析时间,通过转移学习提高了系统效率和有效使用资源.
结论:
- 与现有方法相比,DCDS通过统计建模和知识共享提供了更高的概括性.
- 该框架是一个有前途的,轻量级的,适应性的,准确的解决方案,用于医学图像 denoising.
- 建议在不同成像模式和噪音类型的进一步验证,以及临床整合.