Адаптивні методи попереднього оброблення для підвищення точності сегментації стоматологічних рентгенівських знімків
DOI:
https://doi.org/10.30837/2522-9818.2024.3.029Ключові слова:
штучний інтелект; глибоке навчання; сегментація зображень; медичні зображення; попереднє оброблення; CLAHE; білатеральний фільтрАнотація
Предметом дослідження в статті є ефективність адаптивних методів попереднього оброблення медичних зображень, зокрема білатерального фільтра та модифікованого CLAHE, у задачах сегментації стоматологічних рентгенівських знімків. Ці методи дають змогу зберігати важливі деталі зображення та ефективно зменшувати шум, навіть у разі високої варіативності зображень, що надходять із різних джерел. Мета роботи – розроблення покращень методів попереднього оброблення медичних зображень, а саме білатерального фільтра та CLAHE, з огляду на контекст зображення. Дослідження спрямоване на підвищення ефективності сегментації медичних знімків за допомогою збереження важливих деталей і зменшення впливу шуму й артефактів у зображеннях із різних джерел. У статті розв’язуються завдання: експериментальне порівняння розроблених адаптивних методів попереднього оброблення з традиційними підходами; оцінювання ефективності сегментації за допомогою метрик, таких як коефіцієнт Дайса (Dice Score), коефіцієнт Жаккара (IoU Score), влучність (Precision) та чутливість / повнота (Recall); аналіз впливу попереднього оброблення на якість сегментації. Впроваджено такі методи: математичне моделювання, тренування нейронної мережі на основі моделі U-Net із попередньо натренованим енкодером timm-resnest101e, масштабування зображень до 512×512 пікселів, навчання з фіксованим learning rate 0.001. Досягнуті результати. Під час експериментального порівняння розроблених адаптивних методів попереднього оброблення з традиційними підходами встановлено, що комбіноване використання адаптивного білатерального фільтра та модифікованого CLAHE забезпечило найвищі показники якості сегментації. Зокрема, за метриками коефіцієнт Дайса (Dice Score) 0.9603 та коефіцієнт Жаккара (IoU Score) 0.94501 ці методи перевершили традиційні, що свідчить про їх ефективність у збереженні контурів об’єктів та зниженні шуму. Висновки. Застосування розроблених адаптивних методів попереднього оброблення суттєво покращує точність сегментації медичних зображень. Комбінований підхід, що передбачає адаптивний білатеральний фільтр і модифікований CLAHE, є найбільш ефективним для завдань медичної візуалізації, що підвищує точність діагностики та надійність автоматизованих систем підтримки прийняття рішень.
Посилання
Список літератури
Komenchuk O. V., Mokin O. B. Analysis of Methods for Preprocessing of Panoramic Dental X-Rays for Image Segmentation Tasks. Visnyk of Vinnytsia Politechnical Institute. 2023. Vol. 170, No. 5. P. 41–49. DOI: https://doi.org/10.31649/1997-9266-2023-170-5-41-49
Towards a better understanding of annotation tools for medical imaging: a survey / M. Aljabri et al. Multimedia Tools and Applications. 2022. Р. 25877–2591. DOI: https://doi.org/10.1007/s11042-022-12100-1
Abdi A. H., Kasaei S., Mehdizadeh M. Automatic segmentation of mandible in panoramic x-ray. Journal of Medical Imaging. 2015. Vol. 2, No. 4. 44003 р. DOI: https://doi.org/10.1117/1.jmi.2.4.044003
S. S. Simon, and X. F. Joseph. Pre-Processing of Dental X-Ray Images Using Adaptive Histogram Equalization Method. Italienisch, Vol. 9, No. 1, P. 87–96, 2019. URL: https://www.italienisch.nl/index.php/VerlagSauerlander/article/view/45
Advances in Deep Learning-Based Medical Image Analysis / X. Liu et al. Health Data Science. 2021. Vol. 2021. P. 1–14. DOI: https://doi.org/10.34133/2021/8786793
Vasuki P., Kanimozhi J., Devi M. B. A survey on image preprocessing techniques for diverse fields of medical imagery. 2017 IEEE international conference on electrical, instrumentation and communication engineering (ICEICE), Karur, 27–28 April 2017. DOI: https://doi.org/10.1109/iceice.2017.8192443
Abdi A. Panoramic Dental X-rays with Segmented Mandibles. Mendeley Data. URL: https://data.mendeley.com/datasets/hxt48yk462/2 (date of access: 17.09.2024).
Lin W., Lin Y. Soybean image segmentation based on multi-scale Retinex with color restoration. Journal of Physics: Conference Series. 2022. Vol. 2284, No. 1. 12010 р. DOI: https://doi.org/10.1088/1742-6596/2284/1/012010
Prabu Shankar K. C., Prayla Shyry S. A Survey of image pre-processing techniques for medical images. Journal of Physics: Conference Series. 2021. Vol. 1911, No. 1. 12003 р. DOI: https://doi.org/10.1088/1742-6596/1911/1/012003
Shirai K., Sugimoto K., Kamata S.-I. Adjoint Bilateral Filter and Its Application to Optimization-based Image Processing. APSIPA Transactions on Signal and Information Processing. 2022. Vol. 11, No. 1. DOI: https://doi.org/10.1561/116.00000046
Li H., Duan X.-L. SAR Ship Image Speckle Noise Suppression Algorithm Based on Adaptive Bilateral Filter. Wireless Communications and Mobile Computing. 2022. Vol. 2022. P. 1–10. URL: https://doi.org/10.1155/2022/9392648 (date of access: 17.09.2024).
Smart Image Enhancement Using CLAHE Based on an F-Shift Transformation during Decompression / R. Fan et al. Electronics. 2020. Vol. 9, No. 9. 1374 р. DOI: https://doi.org/10.3390/electronics9091374
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany. 2015. Р. 234–241, DOI: https://doi.org/10.1007/978-3-319-24574-4_28
GitHub – huggingface/pytorch-image-models: The largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights – ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more. GitHub. URL: https://github.com/huggingface/pytorch-image-models
Albumentations Documentation. Albumentations: fast and flexible image augmentations. URL: https://albumentations.ai/docs/
van Beers F., Lindström A., Okafor E., Wiering M. Deep Neural Networks with Intersection over Union Loss for Binary Image Segmentation. In Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods (Vol. 1 ICPRAM). 2019. P. 438–445. URL: https://pure.rug.nl/ws/portalfiles/portal/87088047/ICPRAM_2019_35.pdf
Li F., Jiang Q., Zhang H., Ren T., Liu S., Zou X., Xu H., Li H., Yang J., Li C., Zhang L., Gao J. Visual In-Context Prompting. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2024. Р. 12861–12871. URL: https://openaccess.thecvf.com/content/CVPR2024/papers/Li_Visual_In-Context_Prompting_CVPR_2024_paper.pdf
References
Komenchuk, O. V. & Mokin, O. B. (2023), "Analysis of Methods for Preprocessing of Panoramic Dental X-Rays for Image Segmentation Tasks", Visnyk of Vinnytsia Politechnical Institute, vol. 170, No. 5, Р. 41–49. DOI: https://doi.org/10.31649/1997-9266-2023-170-5-41-49
Aljabri, M. et al. (2022), "Towards a better understanding of annotation tools for medical imaging: a survey", Multimedia Tools and Applications. Р. 25877–2591. DOI: https://doi.org/10.1007/s11042-022-12100-1
Abdi, A. H., Kasaei, S. & Mehdizadeh, M. (2015), "Automatic segmentation of mandible in panoramic x-ray", Journal of Medical Imaging, Vol. 2, No. 4, 44003 р. DOI: https://doi.org/10.1117/1.jmi.2.4.044003
Simon, S. S. & Joseph, X. F. (2019), "Pre-Processing of Dental X-Ray Images Using Adaptive Histogram Equalization Method", Italienisch, Vol. 9, No. 1, Р. 87–96. available at: https://www.italienisch.nl/index.php/VerlagSauerlander/article/view/45
Liu, X. et al. (2021), "Advances in Deep Learning-Based Medical Image Analysis", Health Data Science, Vol. 2021, Р. 1–14. DOI: https://doi.org/10.34133/2021/8786793
Vasuki, P., Kanimozhi, J. & Devi, M. B. (2017), "A survey on image preprocessing techniques for diverse fields of medical imagery", 2017 IEEE international conference on electrical, instrumentation and communication engineering (ICEICE), Karur, 27–28 April 2017. DOI: https://doi.org/10.1109/iceice.2017.8192443
Abdi, A. (2024), "Panoramic Dental X-rays With Segmented Mandibles. Mendeley Data". available at: https://data.mendeley.com/datasets/hxt48yk462/2 (accessed: 17 September 2024).
Lin, W. & Lin, Y. (2022), "Soybean image segmentation based on multi-scale Retinex with color restoration", Journal of Physics: Conference Series, Vol. 2284, No. 1, 12010 р. DOI: https://doi.org/10.1088/1742-6596/2284/1/012010
Prabu Shankar, K. C. & Prayla Shyry, S. (2021), "A Survey of image pre-processing techniques for medical images", Journal of Physics: Conference Series, Vol. 1911, No. 1, 12003 р. DOI: https://doi.org/10.1088/1742-6596/1911/1/012003
Shirai, K., Sugimoto, K. & Kamata, S.-i. (2022), "Adjoint Bilateral Filter and Its Application to Optimization-based Image Processing", APSIPA Transactions on Signal and Information Processing, Vol. 11, No. 1. DOI: https://doi.org/10.1561/116.00000046
Li, H. & Duan, X.-L. (2022), "SAR Ship Image Speckle Noise Suppression Algorithm Based on Adaptive Bilateral Filter", Wireless Communications and Mobile Computing, Vol. 2022, Р. 1–10. available at: https://doi.org/10.1155/2022/9392648 (accessed: 17 September 2024).
Fan, R. et al. (2020), "Smart Image Enhancement Using CLAHE Based on an F-Shift Transformation during Decompression", Electronics, Vol. 9, No. 9, 1374 р. DOI: https://doi.org/10.3390/electronics9091374
Ronneberger, O., Fischer, P. & Brox, T. (2015), "U-Net: Convolutional Networks for Biomedical Image Segmentation", Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany. Р. 234–241, DOI: https://doi.org/10.1007/978-3-319-24574-4_28
"GitHub (n.d.) 'GitHub – huggingface/pytorch-image-models: The largest collection of PyTorch image encoders / backbones', GitHub". available at: https://github.com/huggingface/pytorch-image-models
"Albumentations Documentation (n.d.) Albumentations: fast and flexible image augmentations". available at: https://albumentations.ai/docs/
van Beers, F. et al. (2019), "Deep Neural Networks with Intersection over Union Loss for Binary Image Segmentation", In Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods (Vol. 1 ICPRAM), pp. 438–445. available at: https://pure.rug.nl/ws/portalfiles/portal/87088047/ICPRAM_2019_35.pdf
Li, F. et al. (2024), "Visual In-Context Prompting", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Р. 12861–12871. available at: https://openaccess.thecvf.com/content/CVPR2024/papers/Li_Visual_In-Context_Prompting_CVPR_2024_paper.pdf
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
