23499

حذف نويز تصاوير سونوگرافي با استفاده از شبكه هاي عصبي همگشتي

كارشناسي ارشد

مهندسي كامپيوتر- گرايش هوش مصنوعي

1396

1399/08/21

دكتر محسن سرياني

دكتر محمدرضا محمدي

مهندسي كامپيوتر

تصوير برداري سونوگرافي نقش مهمي را به دليل عدم تهاجم، ايمن و بي‌درنگ بودن در كارهاي تشخيصي ايفا مي‌كند. علي رغم اين مزاياي بزرگ، مسئله مهمي كه در اين بين وجود دارد، وجود نويز اسپكل است. كيفيت تصاوير سونوگرافي بطور قابل توجهي توسط اين نويز كاهش مي‌يابد و به تبع، اثرات منفي روي روند تفسير و تشخيص مي‌گذارد. به همين روي، حذف نويز تصاوير سونوگرافي، يك مرحله پيش پردازش مهم تلقي مي‌شود. در اين پايان‌نامه، ما با استفاده از شبكه هاي همگشتي Inception ، دو رويكرد براي حذف نويز اسپكل ارائه داديم. رويكرد اول كه آن را IICDAE-3 مي‌ناميم، يك شبكه همگشتي خودكدگذار حذف نويز است كه ماژول Inception را به آن به منظور افزايش قدرت در استخراج ويژگي افزوديم. در رويكرد دوم كه مبتني بر نويز اسپكل است و SNICDNN-3 نام دارد، مدل نويز را با استفاده از شبكه همگشتي Inception تخمين زده و با استفاده از روابط رياضياتي و بر روي نويز تخميني، تصوير حذف نويز شده را بازسازي نموديم. نتايج حاصل از ارزيابي ها نشان داده است كه روش‌هاي پيشنهادي توانسته‌اند معيارهاي كارايي مهم در اين حوزه را بهبود دهند. روش IICDAE-3 توانسته است معيارهاي PSNR، SSIM و MSE را به ترتيب به اندازه 0.2991، 0.0069 و 2.3234 بهبود دهد. اين مقادير براي روش SNICDNN-3 به ترتيب برابر با 0.4779، 0.0096 و 3.6465 است. همچنين از نظر بصري، روش‌هاي پيشنهادي ما علاوه بر حذف نويز، اطلاعات مهم ساختاري مثل لبه‌ها را تا حد بهتري حفظ ميكند.

1399/12/23

Ultrasound image Denoising using Convolutional Neural Networks

11/11/2020 12:00:00 AM

Ultrasound imaging plays an important role in the medical diagnosis due to its noninvasiveness, secure and practicability in real-time. In spite of its massive advantages, the major issue in ultrasound images is the existence of speckle noise. The quality of this image is degraded significantly by this speckle noise. Consequently, this phenomenon can cause negative effects on interpretation and diagnostic procedure. Hence, ultrasound image denoising is considered as a crucial preprocessing stage. In this thesis, we introduce two approaches for speckle denoising based on Inception Convolutional Neural Networks. First approach that we call “IICDAE-3” is a Convolutional denoising Autoencoder to which the Inception module is added to boost power of feature extraction. Second approach that we name “SNICDNN-3” is a noise-based denoising. In this method, noise model is estimated by an Inception Convolutional Neural Network. Afterwards, the denoised image is achieved by solving a quadratic equation derived from speckle noise model. The results demonstrate that the proposed methods achieve a superior noise reduction effect based on quantitative and qualitative criteria. It can be seen that “IICDAE-3” outperforms other state of the art denoising algorithms by 0.2991, 0.0069 and 2.3234 for PSNR, SSIM and MSE respectively. These formentioned improvements indices are about 0.4779, 0.0096 and 3.6465 for “SNICDNN-3”. Furthermore, our proposed denoising methods effectively eliminate the noise while trying to keep important structural information.

تصوير سونوگرافي , نويز اسپكل , شبكه عصبي همگشتي , خودكدگذار مبتني بر inception , شبكه عصبي همگشتي مبتني بر نويز اسپكل

Ultrasound image , Speckle noise , Convolutional Neural Networks , Inception Convolutional Denoising Autoencoder , Inception Speckle Noise-based Convolutional Denoising Neural Network