Объединение изображений – это процесс, который может повысить клиническую ценность медицинских изображений, повысить точность медицинских диагнозов и качество ухода за пациентами.
Исследователи из Колледжа программной инженерии для обработки данных при китайском университете Циндао разработали новый «мультимодальный» метод слияния изображений, основанный на контролируемом глубоком обучении, который повышает четкость изображения, сокращает количество избыточных функций изображения и поддерживает пакетную обработку. Их выводы только что были опубликованы в Международном журнале когнитивных вычислений в инженерии KeAi.
Автор И Ли объясняет: «Большинство медицинских изображений имеют одностороннее или ограниченное информационное содержание; например, положение фокусировки меняется, из-за чего некоторые объекты могут казаться размытыми. Наличие важной информации, разбросанной по нескольким изображениям, может помешать врачу принять решение. Слияние изображений является эффективным решение – он автоматически обнаруживает информацию, содержащуюся в этих отдельных изображениях, и объединяет их для создания одного составного изображения ».
Исследователи все чаще обращаются к глубокому обучению, чтобы улучшить слияние изображений. Глубокое обучение, подмножество машинного обучения, использует искусственные нейронные сети , которые созданы для имитации того, как люди думают и учатся. Это означает, что он способен учиться на неструктурированных или немаркированных данных.
Однако большая часть текущих исследований сосредоточена на применении глубокого обучения при обработке слияния отдельных изображений. Исследования, в которых его используют для пакетной обработки нескольких изображений, встречаются гораздо реже.
Ли объясняет: «Медицинские изображения предъявляют особые практические требования, включая богатство информации и высокую четкость. В ходе нашего исследования мы использовали успешные результаты объединения изображений для создания базы данных по обучению изображений. Затем мы смогли использовать эту базу данных для объединения медицинских изображений в пакетах . “
Ли добавляет: «Наш метод также повышает четкость слияния изображений МРТ, КТ и ОФЭКТ, повышая точность медицинского диагноза. Мы достигли высочайшего уровня производительности как с точки зрения визуального качества, так и с точки зрения количественных показателей оценки. Например, Созданные нами совмещенные изображения выглядят более естественно, имеют более четкие края и более высокое разрешение. Кроме того, лучше сохраняется подробная информация и интересующие особенности».