Görüntülerdeki Gauss Dağılımlı Gürültülerin Derin Sinir Ağı Modelleri ile Giderilmesi

Abstract

Mikroskobik görüntülemede çevresel faktörler dolayısıyla elde edilen görüntülerde olu¸san gürültülerin giderilmesi, tıbbi görüntüleme alanında önemli bir ara¸stırma konusu haline gelmi¸stir. Herhangi bir dijital mikroskopi yöntemiyle (Konfokal, Floresan vb.) yapılan tıbbi görüntüleme a¸samasında, a¸sırı veya dü¸sük aydınlatma, yüksek veya dü¸sük sıcaklık veya elektronik devre ekipmanlarından kaynaklanan faktörler nedeniyle elde edilen görüntüye istenmeyen gürültüler eklenir. Bahsedilen bu çevresel faktörlerden dolayı olu¸san en temel gürültü modeli Gauss normal dagılım yada bu da ˘ gılıma yakın karakteristikte ˘ bir fonksiyondur. Sayısal görüntü i¸slemede Gauss gürültüsünün giderilmesi için uzamsal (ing: spatial) filtrelerin (örn: mean, median, gaussian smooting) uygulandıgı yaygın olarak bilinmektedir. ˘ Ancak, görüntülerdeki gürültüyü düzeltmek için uzamsal filtreler kullanıldıgında elde edilen görüntülerde istenmeyen sonuçlar olu- ˘ ¸sabilmektedir. Özellikle uzamsal filtreler uygulanan görüntülerde yüksek frekanslar bastırıldıgı için nihai görüntüde detaylar kay- ˘ bolmakta ve bulanıkla¸smı¸s bir görüntü elde edilmektedir. Yapılan çalı¸smada, bu sebepler nedeniyle görüntülerdeki gürültülerin giderilmesi ve PSNR degerlerinin artırılması için dört farklı ˘ evri¸simsel sinir agı modeli kullanılmı¸stır. Sonuç olarak, önerilen ˘ geli¸stirilmi¸s U-Net modelinin farklı gürültü seviyeleri için PSNR degerlerini ¸su ¸sekilde iyile¸stirildi ˘ gi görülmü¸stür: +6.23, +7.88 ve ˘ +10.52 dBThe removal of noise caused by environmental factors in microscopic imaging studies has become an important research topic in the field of medical imaging. In the medical imaging stage made with any digital microscopy method (Confocal, Fluorescence, etc.), undesirable noises are added to the image obtained due to factors stemming from excessive or low illumination, high or low temperature, or electronic circuit equipment. The most basic noise model formed due to these environmental factors mentioned is the Gaussian normal distribution or a characteristic function close to this distribution. It is widely known that spatial filters (mean, median, Gaussian smoothing) are applied to eliminate Gaussian noise in digital image processing. However, undesirable results may occur in the images obtained when spatial filters are used to remove the noise in the images. In particular, because high frequencies are suppressed in images where spatial filters are applied, details are lost in the final image, and a blurred image is obtained. For this reason, four different convolutional neural network-based models are used for noise removal and to improve the PSNR values in this study. As a result, the modified U-Net improved the PSNR values for different noise levels as follows: +6.23, +7.88 and +10.52 dB