A Hybrid Dehazing and Illumination Based Approach for Preprocessing, Enhancement and Segmentation of Lung Images Using Deep Learning
Notice bibliographique
Résumé
Medical images are affected by various complications such as noise and deficient contrast.To increase the quality of an image, it is highly important to increase the contrast and eliminate noise.In the field of image processing, image enhancement is one of the essential methods for recovering the visual aspects of an image.However, segmentation of the medical images such as brain magnetic resonance imaging (MRI) and lungs computed tomography (CT) scans properly is a difficult task.In this article, a novel hybrid method is proposed for the enhancement and segmentation of lung images.The suggested article includes two steps.In the 1 st step, lung images were enhanced.During enhancement, images were gone through many steps such as de-hazing, complementing, channel stretching, course illumination, and image fusion by principal component analysis (PCA).In the second step, the modified U-Net model was applied to segment the images.We evaluated the entropy of input and output images, peak signal-to-noise ratio (PSNR), gradient magnitude similarity deviation (GMSD), and multi-scale contrast similarity deviation (MCSD) after the enhancement process and compare results with existing adaptive gamma correction with weighted distribution correction (AGCWD) method.During segmentation, we used both original and enhanced images and calculated the Dice-coefficient.We found that the Dicecoefficient was 0.9695 for the original images and 0.9797 for the enhanced images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».