Nowatorskie algorytmy uczenia maszynowego w tomografii ultradźwiękowej: przełom w rekonstrukcji obrazu
Tomografia ultradźwiękowa (UST) to jedna z kluczowych metod obrazowania stosowanych zarówno w diagnostyce medycznej, jak i w przemyśle. Umożliwia nieinwazyjne wizualizowanie wewnętrznych struktur obiektów na podstawie analizy propagacji fal dźwiękowych. W najnowszych badaniach naukowych zaprezentowano zaawansowane algorytmy uczenia maszynowego, które znacząco podnoszą jakość rekonstrukcji obrazów w tomografii transmisyjnej i refleksyjnej, wprowadzając nowy standard dokładności i efektywności w przetwarzaniu danych pomiarowych.
Zespół badawczy przeanalizował skuteczność sześciu nowoczesnych technik uczenia maszynowego, obejmujących zarówno klasyczne podejścia statystyczne, jak i głębokie modele neuronowe. W badaniach uwzględniono takie metody jak Elastic Net – model regresji z regularyzacją, sztuczne sieci neuronowe (ANN), konwolucyjne sieci neuronowe (CNN), rekurencyjne sieci GRU, sieci LSTM oraz techniki transferowego uczenia z wykorzystaniem głębokiej architektury RESNET-50. Każdy z modeli został zoptymalizowany w zakresie doboru hiperparametrów i przetestowany na zbiorze 5000 próbek danych tomograficznych, co pozwoliło na obiektywną ocenę ich potencjału.
Ocena jakości rekonstrukcji została przeprowadzona na podstawie czterech uznanych metryk: średniego błędu bezwzględnego (MAE), błędu średniokwadratowego (MSE), współczynnika PSNR (stosunek sygnału do szumu) oraz wskaźnika strukturalnego podobieństwa SSIM. Wyniki wskazują jednoznacznie na przewagę modelu Elastic Net, który osiągnął najniższy poziom błędu MAE (0,0044) oraz najwyższy PSNR (35,42). Konwolucyjne sieci neuronowe również wyróżniły się wysoką precyzją, osiągając MAE na poziomie 0,0059 i PSNR rzędu 32,02. Co istotne, wszystkie analizowane metody uzyskały bardzo wysoką zgodność strukturalną (SSIM ~0,9999), co potwierdza ich użyteczność w odwzorowywaniu skomplikowanych struktur wewnętrznych obiektów.
Transfer learning z użyciem RESNET-50 oraz klasyczne ANN wypadły nieco słabiej w zestawieniu, jednak ich wyniki nadal były satysfakcjonujące i potwierdzają przydatność tych metod w warunkach ograniczonej dostępności danych treningowych. Przeprowadzone eksperymenty wykazały, że odpowiedni dobór modelu oraz jego konfiguracja mają kluczowe znaczenie dla osiągnięcia wysokiej jakości rekonstrukcji.
Wizualne porównania pomiarów referencyjnych z wynikami rekonstrukcji, m.in. przy użyciu algorytmu Elastic Net, dowodzą, że możliwe jest wierne odtworzenie rzeczywistej struktury zarejestrowanej przez system tomograficzny. Wysoka zgodność pomiędzy rekonstrukcją a obrazem rzeczywistym podkreśla potencjał zaprezentowanego podejścia w zastosowaniach wymagających dużej precyzji.
Omawiane badania wskazują na ogromne możliwości, jakie niesie ze sobą integracja technik uczenia maszynowego z tomografią ultradźwiękową. Rezultaty otwierają nowe perspektywy w diagnostyce obrazowej, kontroli jakości w przemyśle oraz w każdej dziedzinie, gdzie istotna jest szybka i dokładna rekonstrukcja obrazów struktur wewnętrznych.
Pełna wersja artykułu dostępna jest pod adresem:
link do publikacji