Red de Siameses basada en aprendizaje jerárquico asistido por guía cruzada para la denoising de imágenes de RM
Autores: Naseem, Rabia; Alaya Cheikh, Faouzi; Beghdadi, Azeddine; Muhammad, Khan; Sajjad, Muhammad
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Red de Siameses basada en aprendizaje jerárquico asistido por guía cruzada para la denoising de imágenes de RM
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Imágenes médicas
Multimodal
Aprendizaje profundo
Método de eliminación de ruido
Resonancia magnética
Red
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Las técnicas de imágenes médicas multimodales se utilizan predominantemente en la sala clínica. Los métodos de aprendizaje de conjunto que utilizan imágenes médicas multimodales añaden fiabilidad a varias tareas de análisis de imágenes médicas. Motivado por el rendimiento del aprendizaje profundo en varias tareas de imágenes médicas, en este artículo se propone un método de eliminación de ruido basado en aprendizaje profundo, la Red de Eliminación de Ruido Guiada por la Modalidad Cruzada, para eliminar el ruido Riciano en Imágenes de Resonancia Magnética (IRM) ponderadas en T1 (T1-w). utiliza una imagen de guía, que es una imagen cruzada (T2-w) de mejor calidad perceptual para guiar al modelo en la eliminación de ruido de su contraparte ruidosa T1-w. Esta combinación multimodal permite a la red explotar la información complementaria existente en ambas imágenes y, por lo tanto, mejorar la capacidad de aprendizaje del modelo. El marco propuesto consta de dos componentes: el módulo de Aprendizaje Jerárquico Pareado (PHL) y el módulo de Reconstrucción Asistida por Modalidad Cruzada (CMAR). El módulo PHL utiliza una red siamesa para extraer características jerárquicas de imágenes duales, que luego se combinan de manera densamente conectada en el módulo CMAR para finalmente reconstruir la imagen. Se investiga el impacto del uso de datos de guía registrados en la eliminación de ruido y en la retención de la similitud estructural con la imagen original. Se realizaron varios experimentos en dos conjuntos de datos de imágenes cerebrales disponibles públicamente en la base de datos IXI. La evaluación cuantitativa utilizando el Pico de Señal a Ruido (PSNR), el Índice de Similitud Estructural (SSIM) y el Índice de Similitud de Características (FSIM) demuestra que el método propuesto muestra un aumento del 4,7% y 2,3% (promedio), respectivamente, en los valores de SSIM y FSIM en comparación con otros métodos de eliminación de ruido de última generación que no integran información de imágenes multimodales en la eliminación de varios niveles de ruido.
Descripción
Las técnicas de imágenes médicas multimodales se utilizan predominantemente en la sala clínica. Los métodos de aprendizaje de conjunto que utilizan imágenes médicas multimodales añaden fiabilidad a varias tareas de análisis de imágenes médicas. Motivado por el rendimiento del aprendizaje profundo en varias tareas de imágenes médicas, en este artículo se propone un método de eliminación de ruido basado en aprendizaje profundo, la Red de Eliminación de Ruido Guiada por la Modalidad Cruzada, para eliminar el ruido Riciano en Imágenes de Resonancia Magnética (IRM) ponderadas en T1 (T1-w). utiliza una imagen de guía, que es una imagen cruzada (T2-w) de mejor calidad perceptual para guiar al modelo en la eliminación de ruido de su contraparte ruidosa T1-w. Esta combinación multimodal permite a la red explotar la información complementaria existente en ambas imágenes y, por lo tanto, mejorar la capacidad de aprendizaje del modelo. El marco propuesto consta de dos componentes: el módulo de Aprendizaje Jerárquico Pareado (PHL) y el módulo de Reconstrucción Asistida por Modalidad Cruzada (CMAR). El módulo PHL utiliza una red siamesa para extraer características jerárquicas de imágenes duales, que luego se combinan de manera densamente conectada en el módulo CMAR para finalmente reconstruir la imagen. Se investiga el impacto del uso de datos de guía registrados en la eliminación de ruido y en la retención de la similitud estructural con la imagen original. Se realizaron varios experimentos en dos conjuntos de datos de imágenes cerebrales disponibles públicamente en la base de datos IXI. La evaluación cuantitativa utilizando el Pico de Señal a Ruido (PSNR), el Índice de Similitud Estructural (SSIM) y el Índice de Similitud de Características (FSIM) demuestra que el método propuesto muestra un aumento del 4,7% y 2,3% (promedio), respectivamente, en los valores de SSIM y FSIM en comparación con otros métodos de eliminación de ruido de última generación que no integran información de imágenes multimodales en la eliminación de varios niveles de ruido.