Ein Deep-Learning-Rahmenwerk zur Rauschunterdrückung von MRT-Bildern mithilfe von Autoencodern

Die Magnetresonanztomografie (MRT) ist ein unverzichtbares Werkzeug im medizinischen Bereich zur Diagnose und Überwachung verschiedener Krankheiten und Erkrankungen geworden. Die Qualität von MRT-Bildern kann jedoch durch Rauschen beeinträchtigt werden, was zu ungenauen Interpretationen und Diagnosen führen kann. In den letzten Jahren haben maschinelle Lerntechniken großes Potenzial gezeigt, die Genauigkeit der Rauschunterdrückung, insbesondere im medizinischen Bereich, zu verbessern. In dieser Studie schlagen wir ein neuartiges Deep-Learning-Modell auf der Grundlage von Autoencodern zur Rauschunterdrückung von MRT-Bildern vor. Wir haben verschiedene Vorverarbeitungstechniken wie Datenaugmentation, Größenänderung, Normalisierung und herkömmliche Rauschunterdrückungsmethoden auf unsere MRT-Bilder angewendet. Unser Modell besteht aus einem Autoencoder eines konvolutionalen neuronalen Netzwerks (CCNAE), den wir durch Testen verschiedener Parameter und Schichten optimiert haben, um die bestmögliche Leistung zu erzielen. Unsere Ergebnisse zeigen einen Validierungsverlust von etwa 0,0001, was auf eine erhebliche Verbesserung der Rauschunterdrückungsleistung hinweist. Unsere Arbeit stellt einen wichtigen Schritt zur Entwicklung einer effizienten und effektiven Methode zur Rauschunterdrückung von MRT-Bildern dar, ohne kritische Daten oder Zeit zu kompromittieren.