Reducción de ruido en imágenes diagnósticas utilizando aprendizaje profundo: caso Covid – 19

Tras la pandemia de COVID-19, el uso de tomografías computarizadas (TC) para diagnosticar enfermedades respiratorias se ha vuelto más común. Sin embargo, con el propósito de cuidar la salud del paciente, se recomienda no tener largos tiempos de exposición, lo que puede llegar a generar imágenes con apariencia de ruidosa. Por lo cual, se hace necesario mejorar la calidad de estas imágenes para facilitar el diagnóstico clínico por parte del especialista. Este proyecto se enfoca precisamente en proponer una solución (modelo de reducción de ruido) utilizado aprendizaje profundo, que permite mejorar la calidad de imágenes TC de COVID19, neumonía y de pacientes saludables. Para el entrenamiento y validación del modelo se utilizó un conjunto de imágenes disponibles en IEEE DataPort titulado COVID19, el cual consta de aproximadamente 1000 imágenes por cada una de las clases anteriormente mencionadas. A partir de este dataset, se seleccionaron aleatoriamente 100 imágenes por clase para generar imágenes ruidosas con dos tipos de ruido (gaussiano y salpimienta). Cada pareja de imágenes se utilizó en el entrenamiento de un autoencoder, específicamente con la arquitectura U-Net, obteniendo una imagen limpia a partir de la imagen ruidosa de entrada. Con el propósito de cuantificar el desempeño del modelo, se utilizaron dos métricas de evaluación: SSIM y PSNR. Para cada uno de los tipos de ruido se trabajaron con dos hiperparámetros en U-Net, uno correspondiente a la cantidad de filtros, y otro a la normalización de lotes. De acuerdo con los resultados, se encontró que el hiperparámetro de mayor impacto en la calidad de la imagen de salida corresponde a la cantidad de filtros: a mayor cantidad, mejor es la reducción de ruido en la imagen.

• Autores: Forero Manrique, Sharon Stefanny
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad Militar Nueva Granada
• Repositorio: Repositorio UMNG
• Idioma: spa
• OAI Identifier: oai:repository.umng.edu.co:10654/47510
• Acceso en línea: https://hdl.handle.net/10654/47510
• Palabra clave: IMAGENES MEDICAS - PROCESAMIENTO DIGITAL; REDUCCION DE RUIDO (PROCESAMIENTO DE IMAGENES); APRENDIZAJE PROFUNDO (INTELIGENCIA ARTIFICIAL) - APLICACIONES EN MEDICINA; COVID-19 - DIAGNOSTICO POR IMAGENES; INTELIGENCIA ARTIFICIAL - APLICACIONES EN RADIOLOGIA; COVID -19; Tomografía computarizada; Ruido sal y pimienta; Ruido gaussiano; U-Net; Reducción de ruido en imágenes médicas; SSIM; PSNR; COVID-19; Computed tomography; Salt-and-pepper noise; Gaussian noise; U-Net; Medical image denoising; SSIM; PSNR
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/