DUnet-MI Corrección de ruido en imágenes médicas implementando redes neuronales artificiales tipo autoencoder

Abstract

Listen

Translate article

Objetivo: Presentar un método de aprendizaje profundo denominado Denoising Unet for Medical Image, DUnet-MI, enfocado en la corrección de diferentes niveles de ruido en imágenes médicas en las modalidades de Rayos X, Tomografía Computarizada y Resonancia Magnética. Metodología: Se aborda una solución para reducir ruido Gaussiano y ruido sal y pimienta, que se suele agregar a la imagen médica por el proceso de obtención, transmisión y/o recepción. DUnet-MI es una adaptación del modelo Unet con variaciones en las capas, filtros e hiperparámetros para corregir ruido e incrementar los valores de las métricas de calidad de relación señal a ruido pico, PSNR por sus siglas en inglés, y la medida del índice de similitud estructural, SSIM por sus siglas en inglés. Resultados: se analizó el promedio de 200 imágenes para procesar 7 niveles de ruido. DUnet-MI logró estimaciones promedias de hasta en PSNR y valores de SSIM de al procesar ruido Gaussiano y, en PSNR y en SSIM al corregir ruido sal y pimienta. Conclusiones: DUnet-MI demostró mejoras en las métricas de calidad que superan las obtenidas por los métodos clásicos presentes en la literatura, demostrando su funcionalidad para mejorar la calidad de las imágenes médicas. Objetivo: Presentar un método de aprendizaje profundo denominado Denoising Unet for Medical Image, DUnet-MI, enfocado en la corrección de diferentes niveles de ruido en imágenes médicas en las modalidades de Rayos X, Tomografía Computarizada y Resonancia Magnética. Metodología: Se aborda una solución para reducir ruido Gaussiano y ruido sal y pimienta, que se suele agregar a la imagen médica por el proceso de obtención, transmisión y/o recepción. DUnet-MI es una adaptación del modelo Unet con variaciones en las capas, filtros e hiperparámetros para corregir ruido e incrementar los valores de las métricas de calidad de relación señal a ruido pico, PSNR por sus siglas en inglés, y la medida del índice de similitud estructural, SSIM por sus siglas en inglés. Resultados: se analizó el promedio de 200 imágenes para procesar 7 niveles de ruido. DUnet-MI logró estimaciones promedias de hasta en PSNR y valores de SSIM de al procesar ruido Gaussiano y, en PSNR y en SSIM al corregir ruido sal y pimienta. Conclusiones: DUnet-MI demostró mejoras en las métricas de calidad que superan las obtenidas por los métodos clásicos presentes en la literatura, demostrando su funcionalidad para mejorar la calidad de las imágenes médicas.