Современные достижения в подавлении шума на медицинских изображениях с помощью глубокого обучения: обзор моделей, методов и нерешённых проблем

Медицинская визуализация играет важную роль в диагностике и лечении различных заболеваний. Однако интерпретация медицинских изображений может быть сложной даже для опытных врачей: шумы и артефакты часто ухудшают качество изображений и затрудняют точное выявление и анализ заболеваний, что может привести к серьёзным последствиям, включая ошибочную диагностику и смерть пациента. Различные виды шума, в том числе гауссовский, рициевский и шум типа «соль и перец», могут искажать исследуемую область и снижать точность алгоритмов. Алгоритмы подавления шума способны улучшать качество медицинских изображений, удаляя шумы и другие артефакты, которые скрывают важную информацию. Глубокое обучение стало мощным инструментом анализа изображений и показало многообещающие результаты при подавлении шума на различных медицинских изображениях, включая МРТ, КТ и ПЭТ. В этом обзорном исследовании представлен подробный обзор современных алгоритмов глубокого обучения для подавления шума на медицинских изображениях. Всего было рассмотрено 120 релевантных публикаций; после отбора по заданным критериям включения и исключения для анализа оставили 104 публикации. Цель исследования — дать специалистам в области интеллектуального подавления шума целостное представление о существующих методах и обозначить значимые проблемы, которые ещё предстоит решить. Ожидается, что результаты обзора будут способствовать разработке интеллектуальных моделей, позволяющих своевременно и точно диагностировать заболевания. Установлено, что в 40% работ для подавления шума применялись модели на основе глубоких свёрточных нейронных сетей, в 18% — модели типа «кодировщик—декодировщик», а в 15% — другие методы искусственного интеллекта (например, DIP). Генеративно-состязательные сети использовались в 12% работ, методы на основе трансформеров — в 13%, многослойный перцептрон — в 2%. Среди рассматривавшихся видов шума чаще всего встречался гауссовский (35%), далее следовали спекл-шум (16%), пуассоновский шум (14%), артефакты (10%), рициевский шум (7%), шум типа «соль и перец» (6%), импульсный шум (3%) и другие виды шума (9%). Несмотря на очевидный прогресс в разработке новых моделей для подавления шума на медицинских изображениях, необходимы дальнейшие исследования, чтобы создать стандартизированные модели, эффективно работающие с широким спектром таких изображений. В целом обзор подчёркивает важность подавления шума на медицинских изображениях и даёт целостное представление о современных алгоритмах глубокого обучения в этой области.