10138

مقايسه روش ھاي حذف نويز اسكل از تصاوير پزشكي

كارشناسي

مهندسي كامپيوتر

1404

دكتر محسن سرياني

1404/09/09

مهندسي كامپيوتر

Comparison of Speckle Noise Reduction Algorithms in Medical Ultrasound Images

در سال‌هاي اخير، با پيشرفت‌هاي چشمگير در حوزه هوش مصنوعي و بينايي كامپيوتر، استفاده از الگوريتم‌هاي پردازش تصوير در زمينه پزشكي اهميت فزاينده‌اي يافته است. امروزه از پردازش تصاوير پزشكي به كمك الگوريتم‌هاي هوش مصنوعي براي تشخيص بيماري‌ها و قطعه‌بندي بافت‌هاي مختلف استفاده مي‌شود. در ميان روش‌هاي مختلف تصويربرداري پزشكي، سونوگرافي به دليل غيرتهاجمي بودن، هزينه نسبتاً پايين و قابليت تصويربرداري بلادرنگ، جايگاه ويژه‌اي دارد. با اين حال، تصاوير سونوگرافي معمولاً با نويزي ذاتي به نام نويز اسپكل Speckle Noise همراه هستند كه در اثر تداخل امواج صوتي در محيط‌هاي ناهمگن ايجاد مي‌شود. اين نويز از نوع ضرب‌شونده است و باعث كاهش وضوح تصوير، افت كيفيت بصري و دشواري در تشخيص ويژگي‌هاي پاتولوژيك مي‌شود. براي حذف اين نويز، روش‌هاي گوناگوني در مقالات پيشنهاد شده است كه به دو دسته اصلي تقسيم مي‌شوند: روش‌هاي سنتي (كلاسيك) و روش‌هاي مبتني بر هوش مصنوعي. روش‌هاي سنتي شامل فيلترهاي خطي و غيرخطي مانند فيلتر ميانه، فيلتر وينر، فيلتر لي و فيلترهاي مبتني بر تبديل‌هاي موجك هستند. اگرچه اين روش‌ها در كاهش نويز مؤثرند، اما ممكن است باعث از بين رفتن جزئيات مهم تصوير شوند. در مقابل، روش‌هاي مبتني بر هوش مصنوعي از جمله شبكه‌هاي عصبي كانولوشني (CNN)، شبكه‌هاي مولد تخاصمي (GAN) و معماري‌هاي پيشرفته‌تر مانند U-Net و Autoencoder ها، با يادگيري ويژگي‌هاي سطح بالا، قادر به حذف انتخابي نويز و حفظ جزئيات ساختاري تصوير هستند. در اين پروژه، قصد داريم روش‌هاي برتر براي حذف نويز اسپكل از تصاوير سونوگرافي را پياده‌سازي و مقايسه كنيم. اين روش‌ها شامل تكنيك‌هاي كلاسيك منتخب و همچنين رويكردهاي مبتني بر يادگيري عميق خواهند بود. كيفيت تصاوير خروجي با معيارهاي كمي (از قبيل PSNR، SSIM، MSE) و معيارهاي كيفي (ارزيابي بصري توسط متخصصان) مورد ارزيابي قرار خواهد گرفت. نتايج اين پژوهش مي‌تواند در بهبود دقت تشخيص بيماري‌ها و افزايش كيفيت سيستم‌هاي كمك‌تشخيصي مبتني بر سونوگرافي مؤثر واقع شود.

نويز اسپكل ، تصاوير پزشكي ، يادگيري عميق ، فيلتر ، ماژول توجه