提高医疗图像分段和分类使用模糊驱动方法
Akmal Abduvaitov1, Abror Shavkatovich Buriboev2,3,4, Djamshid Sultanov2
1Department of Information Technologies, Samarkand Branch of Tashkent University of Information Technologies, Samarkand 140100, Uzbekistan.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一个基于模糊的12步图像增强管道,以改善医疗图像质量,用于自动瘤细分和疾病分类. 该方法显著提高了CT,MRI和X射线模式的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 用于瘤细分和疾病分类的医学图像分析面临着由于噪音,低对比度和模糊性的挑战.
- 现有的增强技术可能无法充分解决各种成像模式的这些局限性.
研究的目的:
- 开发和评估一种基于模糊的12步图像增强管道,以提高医疗图像质量.
- 评估管道在提高CT,MRI和X射线数据集中瘤和疾病的细分和分类准确性的有效性.
主要方法:
- 开发了一种基于模糊的12步增强管道,利用模糊的,模糊的标准偏差和直方图扩散函数.
- 该管道应用于CT (KiTS19),MRI (BraTS2020) 和X射线 (胸部X射线肺炎) 数据集.
- 改进的数据集被用来训练一个连锁CNN (CCNN) 进行细分和分类任务,并与基线和CLAHE方法进行比较.
主要成果:
- 该管道显著降低了数据集中的BRISQUE分数,表明图像质量有所改善 (例如,KiTS19:28.8至21.7).
- CCNN实现了高性能:99.60%的子系数用于瘤细分 (KiTS19) 和大脑瘤 (BraTS2020) 和肺炎 (胸部X射线) 的高细分/分类精度.
- 性能指标显示出优于基线和CLAHE增强方法的优势.
结论:
- 拟议的基于模糊的增强管道有效地提高了CT,MRI和X射线模式的医疗图像质量.
- 提高图像质量可以显著改善自动瘤细分和疾病分类准确度.
- 该管道为先进的临床诊断提供了一个可扩展和可解释的基础.
