26010

حذف نويز اسپكل تصاوير اولتراسوند پزشكي به كمك يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1397-1400

1400/11/11

دكتر حميد بهنام

مهندسي برق

يكي از روش هاي حذف نويز تصاوير اولتراسوند روش كاهش نويز م تني بر يادگيري عميق است. از جمله موفق ترين مدل هاي يادگيري عميق معرفي شده ش كه هاي عص ي كانولوشني بوده اند كه بطور خاا به منظور اعمال بر روي داده هاي تصويري استفاده مي شوند. در اين پشوهش در ابتدا با استفاده از نرم افزارهاي موجود در زمينه اولتراسوند پزشكي مجموعه داده اي متشكل از 1868 تصوير اناتوميكي )داده برچ با گرداوري و با استفاده از جع ه ابزار فيلد 2 معادل اولتراسوند انها )داده وروديا ش يه سازي شد و سپس با اعمال پيش پردازش بر روي تصاوير و استفاده از ش كه عص ي كانولوشني Net-U پنج ش كه با توابع هزينه متفاوم به منظور حذف نويز اين تصاوير اموزش داده شد. 80 % از كل داده ها براي اموزش 10 %براي ارزيابي و 10 %براي ازمودن ش كه مورد استفاده قرار گرفتند. براي مقاي ه عملكرد ش كه ها در سه ش كه ن ت از تكنيك هاي داده افزايي و توابع هزينه متفاوم بترتيب 1 تركيب دو تابع هزينه L1 و شاخد ش اهت ساختاري چند مقياسي )SSIM-MSا تابع هزينه L1 و تابع هزينه SSIM-MS استفاده شد. همچنين به منظور بررسي تارير روش هاي داده افزايي در جلوگيري از بيشبرازش در اموزش ش كه دو ش كه ديگر بدون اعمال داده افزايي و با استفاده از توابع هزينه L1 و -MS SSIM اموزش داده شدند. با توجه به مقادير معيار هاي حذف نويز بررسي شده اولين ش كه با اعمال داده )PSNRا 56.16 SSIM 51.0- MS 2 افزايي و تابع هزينه تركي ي براساس معيار هاي پيك سيگنال به نويز )FSIMا 76.0 بر روي داده هاي ازمون بهترين عملكرد را در SSIM 72.0 و شاخد ش اهت ويشگي3 مقاي ه با ش كه هاي ديگر در حذف نويز ارايه داد. همچنين به منظور بررسي توانايي ش كه ها در ب ش بندي ا.فعام متقابل و فاصله 4 تصاوير اولتراسوند نيز از سه معيار مورد استفاده در اين زمينه شامل ضريب دايس هاسدورف استفاده شد. نتايج بدست امده از اين معيارها نشان داد كه مدل اموزش ديده عمل ب ش بندي را بطور ن ي انجام مي دهد اما دقت كافي را براي استفاده در كاربرد هاي دقيق مانند ب ش بندي تصاوير پزشكي ندارد. در انتها با مقا ي ه ش كه منت ب با روش هاي حذف نويز ديگر اين ش كه با مقادير PSNR 67.24 و SSIM 79.0 ن ت به روش هاي كفسيك عملكرد بهتري را در حذف نويز تصاوير نشان داد.

1400/11/16

Despeckling medical ultrasound images using deep learning

1/31/2023 12:00:00 AM

Ultrasound is one of the most widely used methods in internal organs and the human body soft tissues imaging due to its characteristics such as noninvasiveness, portability, and relatively low cost. However, the low quality and noise in ultrasound images make the need for their preprocessing for medical diagnoses inevitable. One of the noise reduction methods in ultrasound images is the noise reduction method based on deep learning. Convolutional neural networks (CNNs) are one of the most successful deep learning models explicitly used to apply to visual data . In this study, first, using software available in medical ultrasound, a dataset consisting of anatomical images (label data) was collected, and their ultrasound equivalent (input data) was simulated using the field II toolbox. Then by applying preprocessing on the images and using the U-Net algorithm, five networks with different cost functions were trained to remove the noise of these images. 80% of the total data were used for training, 10% for validation, and 10% for test. Data augmentation techniques were applied in the first three networks, and a combination of L1 and multi-scale structural similarity index (MS-SSIM) cost functions, L1 cost function, and MS-SSIM cost function were used respectively to compare the performance of networks. Also, the other two networks were trained without data augmentation and using L1 and MS-SSIM cost functions to investigate the effect of data augmentation methods in preventing overfitting in network training. According to the values of noise cancellation metrics, the first network with data addition and combined cost function based on Peak Signal to Noise (PSNR) of 16.56, Structural similarity index (SSIM) of 0.51, MS-SSIM of 0.72, and feature similarity index (FSIM) of 0.76 performed the best noise removal performance on the test data compared to other networks. In addition, three segmentation metrics, including Dice coefficient, mutual information, and Hausdorff distance, were used to evaluate networks' ability in this field. These metrics showed that the trained networks perform the segmentation operation relatively but are not accurate enough to use in precise applications such as medical image segmentation. Finally, the selected network showed superior performance in noise removal with PSNR value of 24.67 and SSIM value of 0.79 compared to classic denoising methods.

حذف نويز اسپكل تصاوير اولتراسوند , يادگيري عميق در حذف نويز , حذف نويز تصاوير اولتراسوند پزشكي , ش كه عص ي كانولوشني عميق , شبكه عصبي net-U

Despeckling Ultrasound Images , Denoising using Deep Learning , Denoising Medical Ultrasound Images , Deep Convolutional Neural Network , U-net Neural Network