基于机器学习的节能消毒技术,用于可持续的医学成像
Vidula V Meshram1, Vishal A Meshram2, Pallavi Rege2
1Vishwakarma University; Vishwakarma Institute of Technology.
Journal of visualized experiments : JoVE
|October 6, 2025
概括
这项研究引入了一种节能无色化方法,用于医疗图像,在神经网络应用之前使用预处理技术. 这种方法提高了图像质量,降低了计算成本,并提高了无声化性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 传统的深度学习模型面临着诸如高计算负载和能源消耗等挑战.
- 现有的方法往往难以有效地降低噪音,而不会影响图像质量.
研究的目的:
- 为医疗图像开发一个节能无雾化管道.
- 通过预处理来提高神经网络输入数据的质量.
- 为了减少图像消噪的计算成本和培训时间.
主要方法:
- 作为预处理步骤,集成的图像增强 (化内核) 和K-means集群用于图像细分.
- 在预处理后应用一个卷积自动编码器来消除噪音.
- 在CT和MRI数据集上使用PSNR,SSIM和分类准确度评估性能.
主要成果:
- 峰值信号与噪声比率 (PSNR) 显著改善,从21.52dB提高到28.14dB.
- 加强的结构相似性指数措施 (SSIM) 从0.7619升至0.8690.
- 将训练时间缩短约20%,并降低了GPU利用率.
结论:
- 拟议的节能消噪管道有效地提高了医疗图像质量,并降低了计算需求.
- 该方法支持可持续的医学成像,减少辐射暴露和重复扫描.
- 这种方法适合在资源较少的环境中进行远程诊断和远程医疗.


