ارائه یک روش نوین برای افزایش کیفیت تصاویر ادغام شده پزشکی با استفاده از تبدیلات ویولت گونه مبتنی بر یادگیری عمیق

ترکیب اطلاعات بصری از چندین منبع به منظور استخراج تصویر نهایی با کیفیت و اطلاعات غنی تر، یکی از موضوعات مهم در حوزه پردازش تصویر به شمار می رود. ادغام تصاویر پزشکی فرآیندی است که اطلاعات مکمل چندین تصویر برداری را ترکیب کرده و تصویری واحد با کیفیت بالاتر و اطلاعات جامع تر تولید می کند. این رویکرد نه تنها دقت تشخیصی را افزایش می دهد بلکه زمان تحلیل تصاویر توسط متخصصان را کاهش داده و خطای انسانی را به حداقل می رساند. تبدیل ویولت و ویولت گونه ابزارهای قدرتمندی برای تحلیل چند مقیاسی تصاویر هستند که قادرند اطلاعات را در حوزه های فرکانسی مختلف تفکیک کنند. تبدیل هایی مانند SWT و NSCT بدون کاهش نمونه برداری عمل کرده و دقت مکانی بالاتری نسبت به DWT کلاسیک ارائه می دهند. در این پژوهش ابتدا با جستجوی سیستماتیک مقالات مرتبط در پایگاه های داده معتبر مانند PubMed، IEEE Xplore، ScienceDirect، بیش از ۵۰ مقاله در حوزه ادغام تصاویر پزشکی با تبدیل ویولت گونه و یادگیری عمیق شناسایی و استخراج شد. سپس ۸ مقاله مرجع برتر شامل DCNN، Medical Fusion Wavelet - Mamba، WaveFuse و MWCNN به طور کامل مطالعه و تحلیل گردید. جهت بررسی روش پیشنهادی برای افزایش کیفیت تصاویر دریافتی با بکارگیری روش ارائه شده مبتنی بر کاربرد تبدیل ویولت و شبکه عصبی مصنوعی، مطالعات روی تصاویر پزشکی صورت گرفته است. ابتدا به بیان کدهای کلی برنامه ارائه شده برای بهبود کیفیت تصاویر دریافتی با بکارگیری روش ارائه شده مبتنی بر کاربرد تبدیل ویولت و شبکه عصبی مصنوعی می پردازیم. دستاوردها شامل بهبود شاخص های کمی (RMSE، RASE، ERGAS، CC)، حفظ بافت/جزئیات، کاهش نویز و افزایش کنتراست به ویژه (IR-VIS) است. مزایای این روش شامل تحلیل چند مقیاسی، پشتیبانی از منابع متنوع، قابلیت real-time و کاربرد در پزشکی است و از چالش های روش پیشنهادی پیچیدگی محاسباتی، تنظیم ویولت و نیاز به داده های باکیفیت می توان اشاره کرد. الگوریتم در معیارهای اصلی برتر از رقبا بوده و کیفیت کلی ساختاری طیفی را حفظ می کند.

کلیدواژه ها:

پردازش تصویر ، MRI-CT ، ادغام تصاویر پزشکی ، تبدیل ویولت گونه ، یادگیری عمیق