Подавление шума в медицинских изображениях низкодозированной компьютерной томографии с помощью простой модели UNet
| Parent link: | Ресурсосберегающие технологии в контроле, управлении качеством и безопасности: сборник научных трудов XIV Международной конференции студентов, аспирантов, молодых ученых "Ресурсоэффективные системы в управлении и контроле: взгляд в будущее", г. Томск, 25-27 ноября 2025 г.. С. 128-132.— .— Томск: Изд-во ТПУ, 2025.— conference_tpu-2025-C47.pdf |
|---|---|
| Main Author: | |
| Summary: | В данном исследовании изучается эффективность простой модели UNet при удалении шума с изображений, полученных с помощью низкодозированной компьютерной томографии, с целью восстановления качества изображения, сопоставимого с качеством сканирования с полной дозой, при сохранении вычислительной эффективности на компьютере со стандартной производительностью. Используя общедоступный набор данных AAPM по низкодозированной компьютерной томографии, реконструированный с помощью как гладких (B30), так и количественных острых (D45) ядер, эффективность шумоподавления оценивалась количественно с помощью среднеквадратичной ошибки (RMSE), пикового отношения сигнал/шум (PSNR), индекса структурного сходства (SSIM) и расстояния Махаланобиса, а также качественно с помощью визуального наблюдения. Модель была обучена на 50 эпохах и 5 партиях. Результаты количественной оценки демонстрируют значительное улучшение показателей качества изображения для обоих ядер This study investigates the effectiveness of a simple UNet model in denoising low dose CT images, aiming to restore image quality comparable to full-dose scans, while maintaining computational efficiency on standard-performance computer. Utilizing a publicly available AAPM Low-dose CT Dataset reconstructed with both smooth body (B30) and quantitative sharp (D45) kernels, the denoising performance was evaluated quantitatively using Root Mean Square Error (RMSE), Peak Signal to Noise Ratio (PSNR), Structural Similarity Index (SSIM), and Mahalanobis Distance, while qualitatively via visual observation. The model was trained on 50 epoch and 5 batches. Quantitative evaluation result demonstrates significant improvements in image quality metrics across both kernels Текстовый файл |
| Published: |
2025
|
| Subjects: | |
| Online Access: | conference_tpu-2025-C47_p128-132.pdf |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683930 |