Evrişimsel sinir ağları tabanlı gürültü giderici otomatik kodlayıcı kullanarak görüntüyü gürültüden arındırma

Abstract

Günümüzde, insan vücudu için yüksek çözünürlüklü görüntüler elde etmek amacıyla kullanılan tıbbi görüntüleme, tıbbi ortamlarda önemli bir rol oynamaktadır. Tıbbi görüntüleme teknikleri genellikle Gauss, tuz, biber ve benek gürültüleri (Speckle Noise) gibi birçok gürültü türünden etkilenmektedir. Bu nedenle yüksek çözünürlüklü bir vücut görüntüsü almak çok zor olmaktadır. Birçok hastalığın teşhisi için doğru tıbbi görüntüler gereklidir. Bu tezde, Evrişimsel Sinir Ağları (ESA) tabanlı Gürültü Giderici Oto-kodlayıcı (Denoising Autoencoder, DAE) ile tıbbi görüntülerde gürültü giderme tekniği önerilmiştir. Katman sayısı ve evrişim filtre boyutu gibi farklı konfigürasyonlara sahip mimariler değerlendirmiştir. ReLU aktivasyon fonksiyonunu 7, 10 ve 12 gibi 3 farklı evrişimli katman sayısı ile kullanılmıştır. Kullanılan filtre boyutları 16,32,64 ve 128'dir. Çalışmada Kaggle NIH göğüs röntgeni veri kümesinden toplam 30000 görüntü, eğitim seti için 20.000, doğrulama seti için 5.000 ve test seti için 5.000 görüntü olacak şekilde ayrılmıştır. Görüntülere Gauss gürültüsü eklenmiş ve gürültü giderme işlemi gerçekleştirilmiştir. Tüm konfigürasyonlar karşılaştırıldığında ReLU aktivasyon fonksiyonu kullanan model, 7 katman ve 64 filtre boyutunda en iyi sonuçlara sahiptir. Önerilen model, ortalama ve medyan filtreler gibi geleneksel filtreleme yöntemleriyle karşılaştırılmıştır. Önerilen ESA tabanlı DAE kullanılarak görüntüden elde edilen Ortalama Karesel Hata (OKH) ve Tepe Sinyal-gürültü Oranı (Peak Signal-to-Noise Ratio, PSNR) değerlerinin ortalaması sırasıyla 100.895, 28,100'dür. Aynı görüntüler için ortalama filtre kullanılarak 101.234 OKH ve 28.087 PSNR değerleri, medyan filtre kullanılarak 102.063 OKH ve 28.049 PSNR değerleri elde edilmiştir.

Nowadays, medical imaging used to obtain high-resolution images for the human body plays an important role in medical settings. The medical imaging techniques usually suffer from many types of noises such as Gaussian, salt and pepper and speckle noises. So, getting a high-resolution body image is so difficult. The accurate medical images are necessary for diagnosis of many diseases. In this thesis, denoising technique in medical images has been proposed with the Convolutional Neural Network based Denoising Autoencoder (DAE). Architectures with different configurations, such as layer number and convolution filter size, were evaluated. The ReLU activation function was used with 3 different convolutional layers such as 7, 10 and 12. The filter sizes used are 16, 32, 64 and 128. In the study, a total of 30000 images from the Kaggle NIH chest X-ray data set were separated as 20,000 for the training set, 5,000 for the validation set and 5,000 for the test set. The Gaussian noise was added to the images and denoising was performed. Compared to all configurations, the Model that uses ReLU activation function with 7 layers and 64 filters size has the better results. This proposed model is compared to the traditional filtering methods such as mean and median filters. The average of the Mean Square Error and Peak Signal-to-Noise Ratio (PSNR) values obtained from the image using the proposed ESA-based DAE is 100.895, 28.100, respectively. For the same images, 101.234 MSE and 28.087 PSNR values were obtained using the average filter, and 102.063 MSE and 28.049 PSNR values were obtained using the median filter.