Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 32 Núm. 65 (2023)
Julio-Septiembre 2023 (Publicación Continua)

Articulos

Algoritmo de gradiente 2D para la reducción del ruido en imágenes radiológicas

https://doi.org/10.19053/01211129.v32.n65.2023.16178

Publicado 2023-04-04

Jhonatan Collazos-Ramírez
Universidad del Cauca

Pablo-Emilio Jojoa
Universidad del Cauca

Juan-Pablo Hoyos
Universidad Nacional de Colombia

Resumen

En áreas como el procesamiento de imágenes biomédicas las técnicas o métodos para recuperar el contenido en señales que están contaminadas con ruido son indispensables. Una de ellas ha sido el filtrado adaptativo que, al ajustarse a la señal deseada a través de la actualización en tiempo real de los coeficientes permite el mejoramiento y la deconvolución en la recuperación de imágenes degradadas o contaminadas, logrando atraer la atención de investigadores en problemas inversos. En este artículo el algoritmo del gradiente 2D-AR  es utilizado en la reducción de ruido en imágenes radiológicas dentales, para lo cual se realizan simulaciones para obtener la mejor configuración de los hiperparámetros y se realiza un análisis estadístico de los valores obtenidos. Con base en los resultados de la simulación y las métricas establecidas, se demuestra que el algoritmo logra una reducción del ruido estadísticamente superior que los otros algoritmos del gradiente 2D (LMS y NLMS).

En áreas como el procesamiento de imágenes biomédicas las técnicas o métodos para recuperar el contenido en señales que están contaminadas con ruido son indispensables. Una de ellas ha sido el filtrado adaptativo que, al ajustarse a la señal deseada a través de la actualización en tiempo real de los coeficientes permite el mejoramiento y la deconvolución en la recuperación de imágenes degradadas o contaminadas, logrando atraer la atención de investigadores en problemas inversos. En este artículo el algoritmo del gradiente 2D-AR  es utilizado en la reducción de ruido en imágenes radiológicas dentales, para lo cual se realizan simulaciones para obtener la mejor configuración de los hiperparámetros y se realiza un análisis estadístico de los valores obtenidos. Con base en los resultados de la simulación y las métricas establecidas, se demuestra que el algoritmo logra una reducción del ruido estadísticamente superior que los otros algoritmos del gradiente 2D (LMS y NLMS).

Palabras clave

2D filtro adaptativo, Cancelación de Ruido, Procesamiento de señales, Imágenes Radiológicas, Algoritmo Gradiente

PDF (English) XML (English)

Citas

  1. F. Schopper, J. Ninkovic, R. Richter, G. Schaller, T. Selle, J. Treis, “High resolution X-ray imaging with pnCCDs,” Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment., vol. 912, pp. 11–15, 2018. https://doi.org/10.1016/j.bspc.2022.1040 31
  2. S. Lee, M. S. Lee, M. G. Kang, “Poisson--Gaussian noise analysis and estimation for low-dose X-ray images in the NSCT domain,” Sensors, vol. 18, no. 4, e1019, 2018. https://doi.org/10.3390/s18041019
  3. T. B. Chandra, K. Verma, “Analysis of quantum noise-reducing filters on chest X-ray images: A review,” Measurement, vol. 153, e107426, 2020. https://doi.org/10.1016/j.measurement.2019.107426
  4. T. Kirti, K. Jitendra, S. Ashok, “Poisson noise reduction from X-ray images by region classification and response median filtering,” Sādhanā, vol. 42, no. 6, pp. 855–863, 2017. https://doi.org/10.1007/s12046-017-0654-4
  5. S. Kockanat, N. Karaboga, “A novel 2D-ABC adaptive filter algorithm: a comparative study,” Digital Signal Processing, vol. 40, pp. 140–153, 2015. https://doi.org/10.1016/j.dsp.2015.02.010
  6. J. Collazos Ramirez, P. E. Jojoa Gomez, J. P. Hoyos Sanchez, "Extension and Analysis of the ARG algorithm to 2D," IEEE Latin America Transactions, vol. 20, no. 12, pp. 2448-2454, 2022. https://doi.org/ 10.1109/TLA.2022.9905613
  7. A. M. S. Esfand, S. Nikbakht, “Image denoising with two-dimensional adaptive filter algorithms”, Iranian Journal of Electrical and Electronic Engineering, vol. 7, pp. 84-105, 2011.
  8. M. S. E. Abadi, S. N. Aali, “The novel two-dimensional adaptive filter algorithms with the performance analysis,” Signal Processing, vol. 103, pp. 348–366, 2014. https://doi.org/10.1016/j.sigpro.2013.12.016
  9. A. Abdi, S. Kasaei, “Panoramic dental X-rays with segmented mandibles,” Mendeley Data, v2, 2020. https://doi:10.17632/hxt48yk462.2
  10. R. C. Gonzalez, R. E. Woods, “Digital image processing, prentice hall,” Up. Saddle River, NJ, 2008.
  11. N. Kamolkunasiri, P. Punyabukkana, E. Chuangsuwanich, "A Comparative Study on Out of Scope Detection for Chest X-ray Images," in 20th International Joint Conference on Computer Science and Software Engineering, Phitsanulok, Thailand, 2023, pp. 73-78. https://doi.org/10.1109/JCSSE58229.202 3.10202003
  12. M. Jha, Y. Hasija, "Artificial Intelligence In Field of Medical Imaging Informatics," in 3rd International Conference on Advance Computing and Innovative Technologies in Engineering, Greater Noida, India, 2023, pp. 661-666. https://doi.org/10.1109/ICACITE57410.2023.10182498
  13. O. Rodríguez-Bastidas, H. F. Vargas-Rosero, “Generation of 3D Tumor Models from DICOM Images for Virtual Planning of its Recession,” Revista Facultad de Ingeniería, vol. 29, no. 54, e10173. https://doi.org/10.19053/01211129.v29.n54.2020
  14. V. Göreke, "A novel method based on Wiener filter for denoising Poisson noise from medical X-Ray images," Biomedical Signal Processing and Control , vol.79, e104031, 2023. https://doi.org/10.1016/j. bspc.2022.104031
  15. S. Lee, M. G. Kang, "Poisson-Gaussian Noise Reduction for X-Ray Images Based on Local Linear Minimum Mean Square Error Shrinkage in Nonsubsampled Contourlet Transform Domain," IEEE Access, vol. 9, pp. 100637-100651, 2021. https://doi.org/10.1109/ACCESS.2021.3097078

Descargas

Los datos de descargas todavía no están disponibles.