Resumen

Las imágenes de resonancia magnética (RM) sufren a menudo de contaminación por ruido aleatorio durante la adquisición y transmisión de imágenes, lo que perjudica el diagnóstico de enfermedades por parte de los médicos o los sistemas automatizados. En los últimos años, se han propuesto muchos algoritmos de eliminación de ruido con impresionantes prestaciones. En este trabajo, inspirado en la idea del aprendizaje profundo, proponemos un método de denoising llamado 3D-Parallel-RicianNet, que combinará información global y local para eliminar el ruido en las imágenes de RM. En concreto, introducimos un potente módulo de convolución residual dilatada (DCR) para ampliar el campo receptivo de la red y evitar la pérdida de características globales. A continuación, para extraer más información local y reducir la complejidad computacional, diseñamos el módulo de residuo de convolución separable en profundidad (DSCR) para aprender la información del canal y de la posición en la imagen, lo que no sólo reduce drásticamente los parámetros, sino que también mejora el rendimiento del denoising local. Además, se construye una red paralela fusionando las características extraídas de cada módulo DCR y DSCR para mejorar la eficiencia y reducir la complejidad del entrenamiento de un modelo de eliminación de ruido. Por último, un módulo de reconstrucción (REC) tiene como objetivo construir la imagen limpia a través de la desviación de ruido obtenida y la imagen ruidosa dada. Debido a la falta de imágenes reales en el conjunto de datos de RM, el rendimiento del modelo propuesto se probó cualitativa y cuantitativamente en un conjunto de datos simulado de imágenes de RM ponderadas en T1 y luego se amplió a cuatro conjuntos de datos reales. Los resultados experimentales muestran que la red 3D-Parallel-RicianNet propuesta alcanza un rendimiento superior al de varios métodos de última generación en términos de relación señal-ruido máxima, índice de similitud estructural y métrica de entropía. En particular, nuestro método demuestra una gran capacidad para suprimir el ruido y preservar la estructura.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:información local, conjunto de datos de mr real, imagen de mr ponderada t1, algoritmo de eliminación de ruido, rendimiento, índice de similitud estructural, residuo de convolución dilatado, mr ponderada t1 simulada, módulo, desviación de ruido obtenida
• Keywords:local information, real mr dataset, t1-weighted mr image, noise removal algorithm, performance, structural similarity index, dilated convolution residual, simulated t1-weighted mr, module, obtained noise deviation