في إزالة الضوضاء العمياء من الصور الطبية DnCNN المتبقية المحسّنةوU-Net تحليل مقارن لأداء معماريتي
DOI:
https://doi.org/10.65422/loujas.v2i2.375الكلمات المفتاحية:
إزالة الضوضاء العمياء للصور، شبكة U-Net، شبكة DnCNN، التعلم المتبقي الداخلي، دالة الخسارة الهجينةالملخص
التصوير المقطعي المحوسب (Computed Tomography) عالي الجودة يعد جزءاً أساسياً في التشخيص السريري الحالي، ولكن وجود الضوضاء الكمية (Quantum Noise) والتشوهات الناجمة من عملية الاستقبال قد يؤدي إلى طمس بعض التفاصيل التشريحية الدقيقة ذات الصلة بعملية التشخيص. وعلى الرغم من قدرة النماذج القائمة على التعلم العميق لإزالة الضوضاء، وخصوصاً معماريتا DnCNN وU-Net، في استعادة جودة الصورة، فإن استخدامات النماذج التقليدية عادةً ما تواجه تحديات في التعامل مع مستويات متفاوتة من الضوضاء، كما أنها قد لا تحمي البنيات التشريحية الدقيقة أثناء إزالة الضوضاء العمياء (Blind Denoising).
هذه الدراسة تقترح مقارنة بين اثنين من النماذج المستخدمة في التعلم العميق هما (ER-U-Net) و (ER-DnCNN). ولضمان مقارنة معمارية عادلة بين النموذجين، تم تزويدهما بعدد من استراتيجيات التحسين، مثل الكتل المحلية المحسَّنة (Optimized Local Residual Blocks)، والمعالجة الديناميكية لإزالة الضوضاء العشوائية، حيث تتراوح مستويات الضوضاء بين σ = 0.05 وσ = 0.50، بالإضافة إلى استخدام دالة خسارة هجينة والتي تدمج دالة خسارة متوسط مربع الخطأ (MSE) مع دالة خسارة متوسط الخطأ المطلق (MAE).
وقد أظهرت نتائج التقييم باستخدام قاعدة بيانات عامة لصور الأشعة المقطعية للدماغ، أن كل من المعماريتين حققتا أداءً قويًا في إزالة الضوضاء العمياء لجميع مستويات الضوضاء المستخدمة في هذه البحث. كما أن معمارية ER-U-Net حققت قيمًا أعلى لكلٍّ من نسبة الإشارة إلى الضوضاء القصوى (PSNR) ومؤشر التشابه البنيوي (SSIM)، ولا سيما في ظروف الضوضاء الشديدة، وذلك بفضل قدرتها على استخراج السمات متعددة المقاييس وآلية الوصلات التخطية (Skip Connections). . في المقابل، قدّمت قدمت ER-DnCNN جودة استعادة تنافسية مع الحفاظ على بنية معمارية أبسط، مما يجعلها خيارًا مناسبًا للتطبيقات الطبية ذات الموارد الحاسوبية المحدودة أو التي تتطلب معالجة آنية. (Real-Time)
