МЕТОД АДАПТИВНОЇ КОМПЕНСАЦІЇ ЗАВАД У ЗОБРАЖЕННЯХ ІНТРАСКОПІЧНОЇ ВІЗУАЛІЗАЦІЇ НА ОСНОВІ ВЕЙВЛЕТ-АНАЛІЗУ ТА ФІЛЬТРАЦІЇ ЛОКАЛЬНОГО КОНТРАСТУ
Ключові слова:
інтраскопічна візуалізація, покращення якості зображень, адаптивна фільтрація, вейвлет-декомпозиція, локальний контраст, CLAHE, SSIM, PSNRАнотація
Запропоновано новий метод підвищення якості інтраскопічних зображень, який базується на адаптивній компенсації завад шляхом поєднання вейвлет-декомпозиції та фільтрації локального контрасту. Актуальність проблеми обумовлена тим, що сучасні системи медичної візуалізації часто формують зображення з низьким рівнем контрастності, значним рівнем шуму, неоднорідним освітленням та артефактами руху, що ускладнює точну діагностичну інтерпретацію. Постановка задачі виконана як зворотна задача відновлення сигналу. Запропоновано алгоритм побудови фільтраційної послідовності, що передбачає багаторівневу вейвлет-декомпозицію, адаптивну обробку коефіцієнтів деталізації та реконструкцію сигналу з подальшим застосуванням CLAHE, guided filtering та bilateral smoothing. Моделювання та експериментальні дослідження проводилися в середовищі MATLAB R2023a з використанням відкритих медичних баз (Kvasir, HyperKvasir, EndoVis). Результати показали, що метод дозволяє суттєво підвищити значення метрик PSNR та SSIM, знизити NIQE і BRISQUE, а також зберегти текстурну інформативність анатомічних структур. Порівняння з класичними методами (гістограмне вирівнювання, CLAHE, bilateral filtering) підтвердило вищу ефективність запропонованого підходу, що особливо важливо для діагностики в ендоскопії, гастроскопії та стоматологічній інтраскопії. Отримані результати демонструють переваги запропонованого методу над базовими підходами у збереженні текстурної інформації та підвищенні локального контрасту.
Практичне значення роботи полягає у можливості інтеграції методу в системи реального часу для підвищення точності медичних висновків та мінімізації ризику пропуску патологій. Розроблений метод відкриває перспективи використання в клінічній практиці, телемедицині та системах підтримки прийняття рішень.
Посилання
F. Liu, et al., “Image Enhancement Techniques for Endoscopic Imaging: A Comprehensive Review,” IEEE Transactions on Medical Imaging, vol. 42, no. 1, pp. 112-130, 2023. https://doi.org/10.1109/TMI.2022.3211234 .
Y. Huang, et al., “Wavelet-Based Denoising for Low-Illumination Medical Images,” Biomedical Signal Processing and Control, vol. 72, pp. 103389, 2022. https://doi.org/10.1016/j.bspc.2021.103389 .
K. Zhang, et al., “Restoration of Medical Images via SwinIR Transformer,” in Proc. CVPR Workshops, 2021, pp. 123-132. [Electronic resource]. Available: https://arxiv.org/abs/2108.10257 .
S. Jain, and A. Kumar, “Comparative Study of CLAHE and Guided Filtering for Contrast Enhancement of Medical Images,” Computers in Biology and Medicine, vol. 141, pp. 105124, 2022. https://doi.org/10.1016/j.compbiomed.2021.105124 .
C. Li, et al., “CycleGAN-Based Endoscopic Image Enhancement for Improved Diagnostic Accuracy,” Medical Image Analysis, vol. 62, pp. 101710, 2020. https://doi.org/10.1016/j.media.2020.101710 .
E. Yavorska, O. Dozorska, and L. Dediv, “The Method of the Main Tone Detection in the Structure of Electromyographic Signals for the Task of Broken Human Communicative Function Compensation,” Visnyk NTUU KPI. Ser. Radiotekhnika Radioaparatobuduvannia, no. 81, pp. 56-64, 2020.
Y. Wang, et al., “Evaluation Metrics for Image Enhancement: A Survey,” IEEE Access, vol. 10, pp. 38152-38172, 2022. https://doi.org/10.1109/ACCESS.2022.3166308 .
G. Kaur, and R. Rani, “Fusion of Bilateral and Wavelet Filters for High-Quality Endoscopic Image Restoration,” Computer Methods and Programs in Biomedicine, vol. 229, pp. 107402, 2023. https://doi.org/10.1016/j.cmpb.2023.107402 .
О. В. Коменчук, і О. Б. Мокін, «Аналіз методів передоброблення панорамних стоматологічних рентгенівських знімків для задач сегментації зображень,» Вісник Вінницького політехнічного інституту, №. 6, с. 48-55, 2022. https://doi.org/10.31649/1997-9266-2023-170-5-41-49 .
О. В. Коменчук, «Адаптивні методи попереднього оброблення для підвищення точності сегментації стоматологічних рентгенівських знімків,» Інформаційні технології та комп’ютерна інженерія, №. 1, с. 23-31, 2023. https://doi.org/10.30837/2522-9818.2024.3.029 .
V. Abramova, S. Krivenko, V. Lukin, and O. Krylova, “Noise Properties Analysis of Dental Images,” Proc. Kharkiv National Medical University, pp. 24-28, 2019, [Electronic resource]. Available: https://repo.knmu.edu.ua/items/a077e359-3f20-46ef-93f5-c0562217ac78 .
N. Piontko, and M. Karpinski, “Segmentation of Partially Blurred Images Using Wavelet Transform,” Computer Data Systems and Networks, no. 7(77), pp. 145-152, 2013. [Electronic resource]. Available: https://science.lpnu.ua/uk/cds-archive/vsi-vypusky/nomer-777-2013/segmentation-partially-blurred-images-using-wavelet-transform .
В. Березюк, і Я. Соколовський, «Покращення медичних МРТ-зображень на підставі фрактальних операторів,» Комп’ютерні науки та інформаційні технології, т. 6, № 2, pp. 111-118, 2024. [Електронний ресурс]. Режим доступу: https://science.lpnu.ua/uk/cds/vsi-vypusky/volume-6-number-2-2024/pokrashchennya-medychnyh-mrt-zobrazhen-na-pidstavi-fraktalnyh .
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
