Фiльтрацiя спекл-шуму на ультразвукових зображеннях за допомогою комплекснозначних нейронних мереж

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2025.47(2).278-288

Ключові слова:

нейроннi мережi, комплекснозначнi нейроннi мережi, цифровi зображення, фiльтрацiя шуму, спекл-шум

Анотація

Ультразвуковi зображення широко застосовуються в багатьох галузях. Їх аналiз є надзвичайно важливою задачею, тому фiльтрацiя шуму на таких зображеннях вiдiграє важливу роль. У цiй роботi розглянуто фiльтрацiю спекл-шуму на ультразвукових зображеннях за допомогою комплекснозначних нейронних мереж. Проведено експерименти з фiльтрацiї шуму та порiвняння отриманих результатiв iз деякими вiдомими методами фiльтрацiї спекл-шуму.

Біографії авторів

Ю. О. Товт, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри системного аналiзу та теорiї оптимiзацiї

А. Ю. Брила, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри системного аналiзу та теорiї оптимiзацiї. Кандидат фiзико-математичних наук, доцент

Посилання

  1. Goodman, J. W. (2000). Statistical Optics. Wiley Classics Library ed. New York: Wiley. pp. 347–351.
  2. Lee, J.-S. (1980). Digital image enhancement and noise filtering by use of local statistics. IEEE Trans. Pattern Anal. Mach. Intell., PAMI-2, 165–168. https://doi.org/10.1109/TPAMI.1980.4766994
  3. Frost, V. S., Stiles, J. A., Shanmugan, K. S., & Holtzman, J. C. (1982). A model for radar images and its application to adaptive digital filtering of multiplicative noise. IEEE Trans. Pattern Anal. Mach. Intell., PAMI-4, 157–166. https://doi.org/10.1109/TPAMI.1982.4767223
  4. Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Trans. Image Process., 16, 2080–2095. https://doi.org/10.1109/TIP.2007.901238
  5. Burger, H. C., Schuler, C. J., & Harmeling, S. (2012). Image denoising with multi-layer perceptrons, Part 1: Comparison with existing algorithms and with bounds.
  6. Burger, H. C., Schuler, C. J., & Harmeling, S. (2012). Image denoising with multi-layer perceptrons, Part 2: Training trade-offs and analysis of their mechanisms.
  7. Ilesanmi, A. E., & Ilesanmi, T. O. (2021). Methods for image denoising using convolutional neural network: A review. Complex Intell. Syst., 7, 2179–2198. https://doi.org/10.1007/s40747-021-00428-4
  8. Tian, C., Fei, L., Zheng, W., Xu, Y., Zuo, W., & Lin, C.-W. (2020). Deep learning on image denoising: An overview. Neural Networks, 131, 251–275. https://doi.org/10.1016/j.neunet.2020.07.025
  9. Bodhale, V., Vijayalakshmi, M., & Chopra, S. (2025). An efficient image denoising using convolutional neural network. In Proc. Int. Conf. on Communication and Computational Technologies (Vol. 1122, pp. 15–27). Springer Nature Singapore.
  10. Feng, X., Huang, Q., & Li, X. (2020). Ultrasound image de-speckling by a hybrid deep network with transferred filtering and structural prior. Neurocomputing, 414, 346–355. https://doi.org/10.1016/j.neucom.2020.09.002
  11. Kokil, P., & Sudharson, S. (2020). Despeckling of clinical ultrasound images using deep residual learning. Computer Methods and Programs in Biomedicine, 194, 105477. https://doi.org/10.1016/j.cmpb.2020.105477
  12. Aizenberg, I., & Tovt, Y. (2025). Intelligent frequency domain image filtering based on a multilayer neural network with multi-valued neurons. Algorithms, 18, 461. https://doi.org/10.3390/a18080461
  13. Hasegawa, H. (2021). Advances in ultrasonography: Image formation and quality assessment. J. Med. Ultrasonics, 48, 377–389. https://doi.org/10.1007/s10396-021-01140-z
  14. Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th Global Ed.). New York: Pearson Education.
  15. Aizenberg, I., & Moraga, C. (2007). Multilayer feedforward neural network based on multivalued neurons (MLMVN) and a backpropagation learning algorithm. Soft Comput., 11, 169–183. https://doi.org/10.1007/s00500-006-0075-5
  16. Aizenberg, I. (2011). Complex-Valued Neural Networks with Multi-Valued Neurons. Studies in Computational Intelligence Series. Berlin: Springer.
  17. Grasso, F., Luchetta, A., & Manetti, S. (2018). A multi-valued neuron based complex ELM neural network. Neural Process. Lett., 48, 389–401. https://doi.org/10.1007/s11063-017-9745-9
  18. Aizenberg, I., & Vasko, A. (2024). Frequency-domain and spatial-domain MLMVN-based convolutional neural networks. Algorithms, 17, 361. https://doi.org/10.3390/a17080361
  19. Bindi, M., Luchetta, A., Lozito, G. M., Carobbi, C. F. M., Grasso, F., & Piccirilli, M. C. (2023). Frequency characterization of medium voltage cables for fault prevention through multi-valued neural networks and power line communication technologies. IEEE Trans. Power Delivery, 38, 3227–3237. https://doi.org/10.1109/TPWRD.2023.3270128
  20. Bindi, M., Piccirilli, M. C., Luchetta, A., Grasso, F., & Manetti, S. (2022). Testability evaluation in time-variant circuits: A new graphical method. Electronics, 11, 1589. https://doi.org/10.3390/electronics11101589
  21. Fink, O., Zio, E., & Weidmann, U. (2014). Predicting component reliability and level of degradation with complex-valued neural networks. Reliability Engineering & System Safety, 121, 198–206. https://doi.org/10.1016/j.ress.2013.08.004
  22. Grasso, F., Manetti, S., Piccirilli, M. C., & Reatti, A. (2019). A Laplace transform approach to the simulation of DC–DC converters. Int. J. Numerical Modelling, 32, e2618. https://doi.org/10.1002/jnm.2618
  23. Luchetta, A., Manetti, S., Piccirilli, M. C., Reatti, A., Corti, F., Catelani, M., Ciani, L., & Kazimierczuk, M. K. (2019). MLMVNNN for parameter fault detection in PWM DC–DC converters and its applications for buck and boost DC–DC converters. IEEE Trans. Instrum. Meas., 68, 439–449. https://doi.org/10.1109/TIM.2018.2847978
  24. Nedjah, N., Galindo, J. D. L., Mourelle, L. D. M., & Oliveira, F. D. V. R. D. (2023). Fault diagnosis in analog circuits using swarm intelligence. Biomimetics, 8, 388. https://doi.org/10.3390/biomimetics8050388
  25. Tovt, Y. O., & Bryla, A. Y. (2024). Study of the meaning of weight coefficients of complexvalued neural networks in the frequency domain. Sci. Bull. of Uzhhorod Univ. Ser. of Math. and Inf., 45(2), 259–275. https://doi.org/10.24144/2616-7700.2024.45(2).259-275
  26. Aizenberg, E., & Aizenberg, I. (December 2014). Batch linear least squares-based learning algorithm for MLMVN with soft margins. In Proc. IEEE Symposium on Computational Intelligence and Data Mining (CIDM), Orlando, FL: USA. pp. 48–55.

##submission.downloads##

Опубліковано

2025-10-28

Як цитувати

Товт, Ю. О., & Брила, А. Ю. (2025). Фiльтрацiя спекл-шуму на ультразвукових зображеннях за допомогою комплекснозначних нейронних мереж. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 47(2), 278–288. https://doi.org/10.24144/2616-7700.2025.47(2).278-288

Номер

Том 47 № 2 (2025)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2025 Ю. О. Товт, А. Ю. Брила

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.