Deep Generative Adversarial Networks For Noise Reduction in Medical Images: A Review
| العنوان بلغة أخرى: |
شبكات التوليد التنافسية العميقة لتقليل الضوضاء في الصور الطبية |
|---|---|
| المصدر: | مجلة التربية والعلم |
| الناشر: | جامعة الموصل - كلية التربية |
| المؤلف الرئيسي: | حسين، زهراء مكي (مؤلف) |
| المؤلف الرئيسي (الإنجليزية): | Hussien, Z. M. |
| مؤلفين آخرين: | الأسدي، عباس حنون حسن (م. مشارك) |
| المجلد/العدد: | مج33, ع3 |
| محكمة: | نعم |
| الدولة: |
العراق |
| التاريخ الميلادي: |
2024
|
| الشهر: | سبتمبر |
| الصفحات: | 24 - 34 |
| ISSN: |
1812-125X |
| رقم MD: | 1510558 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
Medical Images | Nosing | Denoising | Deep Learning | GAN | CNN
|
| رابط المحتوى: |
الناشر لهذه المادة لم يسمح بإتاحتها. |
| المستخلص: |
التصوير الطبي هو ركن أساسي في التشخيص والكشف المبكر للعديد من الأمراض. ولكن وجود الضوضاء (الشوائب) قد يؤثر سلبا على دقة التشخيص وجودة الصورة. وللضوضاء أنواع مختلفة نذكر منها: ضوضاء الحبيبات (Speckle noise)، وضوضاء البوسون (Poisson noise) وضوضاء الملح والفلفل (Salt-and-pepper noise)، والضوضاء الغاوسية (Gaussian noise) وغيرها. تواجه طرائق إزالة الضوضاء التقليدية، مثل التصفية المكانية وتصفية المجال التحويلي، صعوبة في التعامل مع أنواع الضوضاء المختلفة. لذا هناك حاجة للبحث عن طرائق جديدة تتوافق مع التطور الحاصل في مجال معالجة الصور الطبية. ومع تطور التعلم العميق، وخاصة شبكات التوليد التنافسية (Generative Adversarial Networks- GAN)، التي أثبتت قدرتها على إزالة ضوضاء الصور بكفاءة تفوق الطرق التقليدية. تقارن هذه الدراسة فعالية تقنيات GAN مع أساليب إزالة الضوضاء المعروفة، وتحلل تأثير مصادر الضوضاء المختلفة على الصور الطبية. Imaging is a vital component of the diagnostic and early detection processes for many medical disorders. However, the noise in the images can sometimes interfere with the accuracy of the diagnosis. Speckle noise, Poisson noise, salt and pepper noise, and Gaussian noise are a few instances of these disturbances, which are produced by imaging techniques and reduce diagnostic accuracy as well as image quality. Noise reduction methods, such as spatial filtering and transformational domain filtering, have a lot of problems when dealing with various kinds of noise. With the growth of deep learning, especially generative adversarial networks, the capabilities of image noise reduction are even superior to those of traditional techniques. This study compares the efficacy of GAN techniques with traditional de-noising techniques and illustrates the effects of various noise sources on medical imaging. Besides that, it describes how the GAN accomplishes the noise reduction task in medical imaging by discussing its advantages, uses, and efficiency in comparison to other techniques. The study's outcomes revealed a new approach to using GAN to filter out the noise in medical images and the possibility of utilizing this technique in real-world cases to generate accurate diagnosis and analysis. But, in addition to that, it serves as a passageway to more in-depth research that focuses on medical image enhancement and patient healthcare. |
|---|---|
| ISSN: |
1812-125X |
عناصر مشابهة
-
Evasion of Phishing Detection Techniques Using Generative Adversarial Deep Learning Networks
بواسطة: القرشي، راية محمد منشور: (2021) -
New Data Hiding Algorithm Using Generative Adversarial Networks to Enhance Security Level and Payload Capacity
بواسطة: قنبر، صبحي قصي صبحي منشور: (2024) -
Invariant Moments Based Noise Classification Using Feed Forward Backpropagation Neural Network
بواسطة: أبو صالح، رندة رفعت منشور: (2016) -
Generating Arabic Letters Using Generative Adversarial Networks (GANs)
بواسطة: Chebouat, Abderrahmane منشور: (2019) -
A Study Into Performance of The Noise Mean Frequency Elowmeter
بواسطة: مصطفى، فوزي محمد منشور: (1986)
