In diesem Artikel wird eine innovative Methode namens DLSIP-ABIADD entwickelt. Die Technik DLSIP-ABIADD nutzt den DL-Ansatz, um das inverse Problem zu lösen und das Vorhandensein von Krankheiten auf biomedizinischen Bildern zu erkennen. Um dies zu erreichen, enthält die DLSIP-ABIADD-Technik verschiedene Arten von Teilprozessen. Abbildung 1 stellt den gesamten Ablauf der vorgestellten DLSIP-ABIADD-Technik dar.
Zur Lösung des inversen Problems verwendet die DLSIP-ABIADD-Technik einen direkten Zuordnungsansatz. Das Zielkriterium bei der direkten Zuordnung ist eine umfangreiche Sammlung von Studien zu DL-basierten inversen Problemen. Diese Methode zielt darauf ab, End-to-End-Lösungen für die unter Gleichung (1) dargestellte Aufgabe zu bestimmen. Die Direktzuordnung approximiert einen Schätzer \(G\) als Inverses zum Vorwärtssystem \(F\), was die Zielparameter des Systems und die beobachteten Messungen \(\{({\underline{m}}_{i},{\underline{z}}_{i}){\}}_{i}\) erfordert. Für das Bildrestaurierungsproblem wählt das Modell, die Messungen als \({F}^{H}\underline{m}\) zu planen. Die direkte Inversion hat eine bemerkenswerte Leistung, wobei die Translationsinvarianz von \({F}^{H}F\) in Imaging-Inversionsproblemen sehr allgemein ist.
Für die Vorverarbeitung können bilaterale Filter (BF) für die Bildvorverarbeitung verwendet werden. Der BF ist ein wesentliches Werkzeug, das sich durch seine Fähigkeit zur Verbesserung von Bildern unter Erhaltung von Kanten auszeichnet. Mit Hilfe des BF werden rauschige oder minderwertige biomedizinische Bilder verbessert, was eine perfekte Visualisierung von pathologischen Anzeichen ermöglicht. Die adaptive Natur des BF bestätigt die optimale Glättung, die für die nachfolgenden Analysestufen entscheidend ist.
Im Rahmen dieser Arbeit wird das MobileNetv2-Modell verwendet, um Merkmalsvektoren aus den Eingangsbildern zu generieren. MobileNetV2 ist ein hoch effizienter und leichtgewichtiger DL-Algorithmus, der sich ausgezeichnet für Umgebungen mit Ressourcenbeschränkungen und mobile Endgeräte eignet. Das Modell zeichnet sich durch seine vielseitige Anpassungsfähigkeit aus und integriert das “squeeze-and-excitation” Modell zur Verbesserung der Erfassung wesentlicher Merkmale.
Darüber hinaus wird die HGSO-Methode zur optimalen Hyperparameterauswahl des MobileNetv2-Modells angewendet. Diese Methode nutzt das Verhalten von Gasen zur ausgewogenen Erkundung und Ausbeutung im Suchraum, um lokale Optima zu vermeiden. HGSO bietet eine mathematische Modellierung, die es ermöglicht, stabile Erkundungs- und Ausbeutungsfähigkeiten zu entfalten und komplexe Optimierungsprobleme zu lösen.