Eliminación de ruido de imágenes en microscopía acústica mediante bloque.

Scientific Reports volumen 13, número de artículo: 13212 (2023) Citar este artículo

191 Accesos

2 altmétrico

Detalles de métricas

La microscopía acústica de barrido (SAM) es una técnica de imágenes sin etiquetas que se utiliza en imágenes biomédicas, pruebas no destructivas e investigación de materiales para visualizar estructuras superficiales y subterráneas. En las imágenes ultrasónicas, los ruidos en las imágenes pueden reducir el contraste, los detalles de los bordes y texturas y la resolución, lo que afecta negativamente a los algoritmos de posprocesamiento. Para reducir los ruidos en la imagen escaneada, hemos empleado un filtro de coincidencia de bloques 4D (BM4D) que se puede utilizar para eliminar el ruido de las señales volumétricas acústicas. El filtro BM4D utiliza la técnica de filtrado de dominio de transformación con umbrales estrictos y etapas de filtrado de Wiener. El algoritmo propuesto produce la salida sin ruido más adecuada en comparación con otros métodos de filtrado convencionales (filtro gaussiano, filtro mediano y filtro Wiener) cuando se aplica a imágenes ruidosas. La salida de las imágenes filtradas con BM4D se comparó con el nivel de ruido con diferentes filtros convencionales. Las imágenes filtradas se analizaron cualitativamente utilizando métricas como la matriz de índice de similitud estructural (SSIM) y la relación señal-ruido máxima (PSNR). El análisis cualitativo y cuantitativo combinado demuestra que la técnica BM4D es el método más adecuado para eliminar el ruido de las imágenes acústicas del SAM. El filtro de coincidencia de bloques propuesto abre una nueva vía en el campo de la eliminación de ruido de imágenes acústicas o fotoacústicas, particularmente en escenarios con relaciones señal-ruido deficientes.

Desde la ciencia de los materiales hasta la biología, los microscopios acústicos de barrido (SAM) se han utilizado con éxito para obtener imágenes de la superficie y las estructuras interiores y realizar evaluaciones no destructivas sin causar daños al material que se estudia1. Además de su capacidad para inspeccionar objetos, el SAM también es capaz de proporcionar información cuantitativa amplia y precisa sobre los elementos inspeccionados. SAM tiene una gama de capacidades, incluida la caracterización microestructural no invasiva de materiales, la caracterización de las propiedades mecánicas de materiales piezoeléctricos en sus superficies y subsuelos, el monitoreo de la salud estructural (SHM) de las estructuras compuestas, la detección de defectos superficiales en polímeros. circuitos y examinar la propagación de fonones anisotrópicos2,3,4,5,6,7. La tecnología de SAM tiene una importancia significativa en los mercados ferozmente competitivos y exigentes de las industrias de microelectrónica y semiconductores. Desempeña un papel vital en la mejora de los diseños de moldes para paquetes de chip invertido y es capaz de gestionar las complejidades involucradas en ensamblajes miniaturizados, como paquetes a escala de chip y pilas de circuitos integrados 3D, lo que lo convierte en una herramienta importante en la industria8, 9.

La resolución de las imágenes generadas por SAM a una frecuencia específica depende del tamaño del píxel o de los pasos de escaneo en las direcciones x e y, junto con el tamaño del punto del haz acústico. En las imágenes ultrasónicas, las imágenes se generan mediante la recopilación de señales y la calidad de las imágenes resultantes puede verse muy afectada por la presencia de ruido. Las imágenes con ruido pueden provocar una disminución del contraste, pérdida de detalles de bordes y texturas y una resolución reducida, lo que puede afectar negativamente el rendimiento del algoritmo de posprocesamiento. Por tanto, el ruido es un factor crítico que puede contribuir a la disminución de la calidad de la señal en las imágenes acústicas. La determinación precisa de los parámetros a partir de imágenes adquiridas depende de una eliminación eficaz del ruido de la imagen.

El desafío más frecuente y no resuelto en la ecografía es la presencia de ruido procedente de múltiples fuentes, lo que a menudo conduce a una degradación significativa de la calidad de la imagen. En consecuencia, la presencia de ruido se vuelve muy limitante en aplicaciones sensibles donde el contraste acústico juega un papel crucial. Debido a diversos factores, como el entorno, el ruido electrónico, el cable de transmisión y otros, las imágenes están inevitablemente sujetas a ruido durante la adquisición, compresión y transmisión, lo que provoca distorsión y pérdida de información de la imagen. Estos factores hacen que las imágenes sean vulnerables a la manifestación de ruido aleatorio durante la adquisición de datos. Las técnicas de eliminación de ruido se pueden clasificar en dos categorías principales: métodos de dominio espacial y métodos de dominio de transformación. Los filtros espaciales se pueden dividir en filtros lineales y no lineales, y utilizan filtrado de paso bajo en los valores de píxeles de una imagen, ya que el ruido tiende a ocupar regiones más altas en el espectro de frecuencia10. Los filtros espaciales tienden a reducir el ruido hasta cierto punto, pero a menudo provocan que la imagen se vea borrosa. Por el contrario, el dominio de transformación proporciona varias técnicas de procesamiento de señales, como la descomposición de ondas y la descomposición de modo empírico (EMD), para abordar este problema11. Además, se pueden utilizar métodos como el análisis de componentes principales (PCA) y la descomposición de valores singulares (SVD) para la reconstrucción y restauración de señales12, 13. Wang et al. utilizó un método híbrido que combinaba la descomposición de paquetes de ondas y EMD para eliminar el ruido de las señales y posteriormente clasificó varias fallas del motor utilizando Support Vector Machine (SVM)14. En un estudio separado, Fan et al. presentó un algoritmo de eliminación de ruido basado en el análisis de componentes principales (PCA) que se demostró utilizando datos simulados con diferentes niveles de ruido15. Huan et al. introdujo un método llamado C-PCASVD, que combina el análisis de componentes principales (PCA) y la descomposición de valores singulares (SVD) para identificar los valores singulares de interferencia16. Esta técnica permite un equilibrio óptimo entre la caída de inducción libre (FID) sin ruido y la eficiencia de la reducción de ruido.

En los últimos tiempos, las técnicas de inteligencia artificial (IA), y más específicamente los enfoques de aprendizaje profundo (DL), han demostrado un rendimiento de vanguardia para muchos algoritmos de eliminación de ruido17,18,19,20,21. Zhang et al. presentó DnCNN, una popular red neuronal convolucional profunda (CNN) para eliminar ruido de imágenes22. Otras contribuciones importantes a la eliminación de ruido incluyen redes de creencias profundas (DBN)23, codificadores automáticos apilados (SAE)24, CNN25 y redes neuronales no locales26. Las arquitecturas basadas en CNN a menudo destacan en el manejo del ruido blanco gaussiano aditivo (AWGN), pero pueden tener problemas con otros tipos de ruido. Además, los modelos de aprendizaje profundo para la eliminación de ruido de imágenes de ultrasonido a menudo requieren grandes conjuntos de datos de entrenamiento, pero los codificadores automáticos de eliminación de ruido con capas convolucionales han mostrado resultados prometedores incluso con conjuntos de muestras más pequeños24. Otro método para eliminar las manchas de las imágenes ecográficas es utilizar PCANet27, que se ha adaptado para incluir el concepto clásico de medios no locales (NLM)28. La Variational Denoising Network (VDN) es un modelo de eliminación de ruido basado en bayesiano que integra la estimación de ruido con la eliminación de ruido de imágenes29, 30. Sin embargo, la eliminación de ruido de imágenes basada en aprendizaje profundo enfrenta un desafío importante al requerir una gran cantidad de datos, que pueden ser difíciles de obtener. en imágenes acústicas, excepto en ecografía médica. Además, el proceso de capacitación y validación generalmente involucra imágenes específicas, lo que lo convierte en un enfoque específico de muestra, computacionalmente costoso y que requiere mucho tiempo.

Los métodos de filtrado de dominios de transformación se pueden clasificar en filtros de transformación adaptable a datos, transformación no adaptable a datos, coincidencia de bloques y filtrado 3D/4D (BM3D y BM4D)29,30,31. Los métodos de filtrado de dominio de transformación optimizan la eliminación de ruido transformando primero la imagen ruidosa en un dominio diferente. Este enfoque aprovecha características específicas y propiedades de ruido de la imagen transformada para una eliminación efectiva del ruido. En el caso del filtro BM4D, realiza una caracterización de similitud no local en un conjunto de imágenes consecutivas mediante la utilización de una técnica llamada agrupación y filtrado colaborativo. En la etapa de agrupación, los grupos se forman como matrices tridimensionales de bloques mutuamente similares extraídos del conjunto de fotogramas de imágenes consecutivos. Se pueden incluir en un grupo varios bloques de la misma imagen, aprovechando naturalmente la similitud no local. Sin embargo, la mayoría de los bloques que están mutuamente relacionados a menudo pueden identificarse a lo largo de la dimensión temporal. Luego, el filtrado colaborativo genera estimaciones únicas para cada grupo comprimiendo el dominio de transformación del grupo individual. Cuando se confirma la prevalencia de grupos comparables uno al lado del otro y la alta correlación local de los datos de la imagen, cada grupo individual muestra correlación en las mediciones en todas las dimensiones. La aplicación de una transformación de descorrelación a los datos agrupados dará como resultado una representación escasa de la señal verdadera. A diferencia del filtrado BM3D, que puede introducir artefactos y mostrar una efectividad limitada para eliminar el ruido de regiones específicas de la imagen, BM4D agrupa los volúmenes espaciotemporales según sus similitudes. En BM4D, los grupos son pilas 4D de volúmenes 3D y el filtrado colaborativo se realiza mediante una transformación espaciotemporal 4D separable. Debido a la extrema escasez del espectro del grupo 4D, la reducción de ruido lograda en BM4D es más exitosa en comparación con BM3D. Esto hace que BM4D sea particularmente eficaz para reducir el ruido en regiones donde se centra principalmente la atención visual. Este artículo presenta un nuevo método de eliminación de ruido de imágenes llamado BM4D, que utiliza coincidencia de bloques y filtrado de cuatro dimensiones en el dominio de transformación tridimensional. La transformada 3D ofrece propiedades matemáticas superiores en comparación con las transformadas wavelet o de contorno utilizadas comúnmente, capturando de manera efectiva propiedades de imagen anisotrópicas en varias escalas y direcciones. Al extender BM3D a cuatro espacios 4D, el método mejora significativamente los detalles de los bordes y las texturas de las imágenes. Aplicamos el filtro de coincidencia de bloques 4D a escaneos de señales de baja amplitud con una relación señal-ruido baja y comparamos su rendimiento con otros filtros de eliminación de ruido (filtros gaussianos, medianos y Wiener) utilizando una relación señal-ruido máxima (PSNR) y Evaluación de la medida del índice de similitud estructural (SSIM).

En el algoritmo BM4D, los datos volumétricos ruidosos se consideran como observación z : X → ℝ de la forma

Aquí, en esta ecuación, y es la señal original, desconocida y volumétrica, x es una coordenada tridimensional que pertenece al dominio de la señal \(X \subset {\mathbb{Z}}^{3},\) y \ (\eta (\cdot ) \sim N(0, {\sigma }^{2})\) es ruido gaussiano (iid) independiente e idénticamente distribuido con media cero y desviación estándar conocida σ.

BM4D funciona en dos etapas en cascada, que son una etapa de umbral estricto y una etapa de filtrado Wiener.

En la etapa de umbral estricto, los grupos de cuatro dimensiones se crean apilando cubos tridimensionales ruidosos idénticos a \({C}_{{x}_{R}}^{z}\) a lo largo de un cuarto adicional dimensión. Aquí, \({C}_{{x}_{R}}^{z}\) denota un cubo de \({L}^{3}\) donde \(L \in {\mathbb{N} }\), extraído de la observación ruidosa z en la coordenada 3D \({x}_{R} \in X\). Más específicamente, la distancia fotométrica se utiliza para calcular qué tan similares son dos cubos, que se define por,

donde \({|| \cdot ||}_{2}^{2}\) denota la suma de las diferencias al cuadrado entre las intensidades correspondientes de los dos cubos de entrada y el denominador \({L}^{3}\) sirve como factor de normalización. No se realiza ningún filtrado previo antes de hacer coincidir los cubos, por lo que la similitud de las observaciones de ruido se puede probar directamente. En el paso de agrupación, se extraen de z cubos similares entre sí y se combinan para formar un grupo para cada cubo \({C}_{{x}_{R}}^{z}\). Si la distancia entre dos cubos no era mayor que el umbral predefinido \({\tau }_{match}^{ht}\), los dos cubos se consideran similares. De manera similar, para \({C}_{xR}^{z}\), aquí primero definimos un conjunto que contiene los índices de los cubos de la siguiente manera:

Luego, se construye un grupo de cuatro dimensiones mediante la fórmula anterior (siendo \({\coprod }\) la operación de unión disjunta):

donde el cubo de referencia (representado por R) coincide con un conjunto de cubos similares ubicados en los datos 3D. En particular, las coordenadas \({x}_{R}\) y \({x}_{i}\) corresponden a la cola y la punta de la flecha que conecta los cubos en la fórmula (4), respectivamente.

En el paso de filtrado colaborativo, se aplicó una transformación conjunta de cuatro dimensiones \({T}_{4D}^{ht}\) a cada dimensión de la ecuación. (5), respectivamente. Luego, mediante un operador de umbral estricto \({\gamma }^{ht}\) con el umbral \(\sigma {\lambda }_{4D}\), el espectro de grupo de cuatro dimensiones obtenido es

Tenga en cuenta que, dado que la distancia de cualquier cubo a sí mismo es siempre 0, según la definición de la fórmula (4), cada fórmula (5) debe contener al menos su cubo de referencia. Representando el grupo de filtros, se transforma en la siguiente forma:

Para cada dato de volumen desconocido y, el \({\widehat{C}}_{{x}_{i}}^{y}\) estimado del \({C}_{{x}_{i) original }}^{y}\) se extrajo por separado. La fórmula (6) fue una representación demasiado completa de los datos de eliminación de ruido porque es probable que los cubos de diferentes grupos, así como los cubos dentro del mismo grupo, se superpongan; por tanto, dentro de las regiones superpuestas, diferentes cubos proporcionan estimaciones múltiples y, en general, diferentes, para el mismo vóxel. En el paso de agregación, dicha redundancia se aprovecha mediante una combinación convexa adaptativa para producir la estimación volumétrica básica.

donde \({\omega }_{xR}^{ht}\) son pesos dependientes del grupo, \({\chi }_{{x}_{i}} : X \to \{0, 1\} \) es la función característica (indicadora) del dominio de \({\widehat{C}}_{{x}_{i}}^{y}\) (es decir, \({\chi }_{{ x}_{i}}\) = 1 sobre las coordenadas de los vóxeles de \({\widehat{C}}_{{x}_{i}}^{y}\) y \({\chi } _{{x}_{i}}\) = 0 en otros lugares), y se supone que cada \({\widehat{C}}_{{x}_{i}}^{y}\) es cero- acolchado fuera de su dominio. Tenga en cuenta que, mientras que en BM3D se utiliza una ventana Kaiser 2-D del mismo tamaño que los bloques para aliviar los artefactos de bloqueo en la estimación agregada, en el BM4D propuesto no realizamos dicha ventana debido al pequeño tamaño de los cubos. . Los pesos en la ecuación. (7) se definen como

donde σ es la desviación estándar del ruido en z y \({N}_{{x}_{R}}^{ht}\) denota el número de coeficientes distintos de cero en la ecuación. (5). Dado que el coeficiente DC (coseno discreto) siempre se conserva después del umbral, es decir, \({N}_{{x}_{R}}^{ht}\) ≥ 1, el denominador de la ecuación. (8) nunca es cero. El número \({N}_{{x}_{R}}^{ht}\) tiene una doble interpretación: por un lado, mide la escasez del espectro umbralizado (Ec. 5), y por el otro , se aproxima a la varianza total del ruido residual de la estimación del grupo (Ec. 6). Como resultado, los grupos con mayores niveles de correlación son recompensados con mayores ponderaciones, mientras que los grupos con mayores niveles de ruido residual son penalizados con menores ponderaciones.

Siguiendo el paso anterior, el algoritmo BM4D emplea filtrado de Wiener, que es un filtro adaptativo bien establecido y ampliamente utilizado en el procesamiento de señales32,33,34,35. El filtro Wiener es conocido por su simplicidad, estabilidad y velocidad, y se ha demostrado que es un filtro óptimo en diversas aplicaciones de procesamiento de señales. Específicamente, en BM4D, el filtro Wiener se utiliza para eliminar el ruido de cada bloque 3D de coeficientes wavelet, lo que permite al algoritmo estimar la señal limpia original de la entrada ruidosa.

donde \({P}_{raw}\) representa los datos sin procesar en el dominio del detector. Denotando \({\mu }_{m}\) y \({\sigma }_{m}^{2}\) como media local y varianza local de \({P}_{raw}\) respectivamente, \({v}^{2}\) como la media de la varianza local \({\sigma }_{m}^{2}\). \({P}_{wiener}\) es el resultado de eliminación de ruido después del filtrado de salchicha.

Siguiendo los pasos anteriores, el proceso de filtrado BM4D se realiza en datos de dominio 3D ruidosos y el resultado final se obtiene después de la etapa de filtrado Wiener.

En este artículo, se utiliza el algoritmo BM4D para eliminar el ruido de las imágenes adquiridas mediante la configuración experimental de la técnica SAM. El algoritmo aplicado se divide a su vez en dos pasos. En el primer paso, los datos del dominio 3D ruidosos se agrupan primero mediante un algoritmo de coincidencia de bloques y la salida filtrada del paso 1 se obtiene mediante un filtrado de umbral estricto seguido de una estimación y agregación. Después de eso, en el segundo paso, aplicamos el filtrado Wiener en la salida del paso 1. La imagen de salida final sin ruido se recopila al final del paso 2 después de agregar los bloques filtrados en el dominio 4D. En la Fig. 1 se muestra un diagrama de flujo del proceso de trabajo del algoritmo BM4D aplicado.

Esta figura ilustra los pasos involucrados en el filtro de coincidencia de bloques 4D que se realiza sobre datos ruidosos; aquí se ha tomado una señal de baja amplitud de 0,24 V como datos de entrada y la salida del lado derecho representa el resultado filtrado de BM4D.

La Figura 2 muestra una imagen etiquetada de SAM, que se utiliza para adquirir imágenes de la muestra. SAM utiliza modos de reflexión y transmisión para crear imágenes que revelan diferentes características de la muestra. Se ha anotado una imagen (Fig. 2) de SAM y se utiliza para la adquisición de imágenes. Se pueden encontrar más detalles sobre los principios de funcionamiento de estos modos en otros lugares. En este artículo, nos hemos centrado en utilizar el modo de reflexión para escanear las muestras36. Con frecuencia se utiliza una varilla de lente de zafiro esférica cóncava para enfocar la energía acústica a través de un medio de acoplamiento (en este caso, agua), y las señales ultrasónicas se generan desde un generador de señales y se envían a la muestra. Después de que las ondas rebotan las señales de la muestra, se detectan y se convierten en una señal digital, lo que se denomina escaneo A o escaneo de amplitud. Para crear una imagen C-scan de la muestra, este procedimiento se realiza en diferentes ubicaciones del plano XY. Otra forma de visualizar un C-scan es como la combinación de A-scan en dos dimensiones.

Esta figura muestra una imagen etiquetada del SAM utilizado para la adquisición de imágenes, mostrando todos los componentes esenciales que componen un SAM en la configuración experimental.

Un programa LabView controló un SAM personalizado, como se muestra en la Fig. 2, que incorporó una etapa de escaneo de alta precisión Standa (etapa de microscopio XY motorizada 8MTF-200) para los datos recopilados durante el experimento. En un estudio anterior realizado por el mismo grupo, se utilizó una disposición experimental comparable para tener en cuenta las muestras inclinadas37. Las capacidades de imágenes acústicas se habilitaron utilizando módulos PXIe FPGA de National Instruments y hardware FlexRIO, que estaban alojados en un chasis PXIe (PXIe-1082) que contenía un generador de forma de onda arbitraria (AT-1212). El transductor se excitó usando señales de sombrero mexicano y se intensificó usando un amplificador de RF (AMP018032-T) para amplificar las señales ultrasónicas. Los reflejos acústicos producidos por la superficie de la muestra se amplificaron utilizando un amplificador diseñado a medida y luego se amplificaron aún más con un preamplificador diseñado a medida y se digitalizaron utilizando un digitalizador de alta velocidad de 12 bits (1,6 GS/s) ( NI-5772). Para la verdad sobre el terreno, se utilizó un transductor enfocado de 50 MHz producido por Olympus, que tenía una apertura de 6,35 mm y una distancia focal de 12 mm.

Para este artículo, se realizaron una serie de pruebas experimentales utilizando un SAM diseñado a medida junto con una etapa de escaneo. Esta etapa se utilizó para crear una plataforma de escaneo ultrasónico de diseño personalizado que podría controlarse mediante el software LabVIEW, como se describe en detalle en la referencia38. Para implementar la funcionalidad ultrasónica del microscopio, nosotros. Durante los experimentos, el microscopio se centró en un punto que se encontraba aproximadamente en el centro de la muestra. Para minimizar el tiempo de escaneo y la turbulencia causada por los movimientos rápidos del transductor, se empleó un modo serpentino para el escaneo del escenario. La configuración experimental completa se ilustra en la Fig. 2. Al principio del experimento, se realizó un escaneo de referencia o verdad del terreno con 0,65 Vpp (máximo 1 Vpp) del generador de señal. Posteriormente se realizaron otros 2 experimentos con 0,24 y 0,25 Vpp, respectivamente. Estos 2 experimentos se consideraron datos escaneados ruidosos.

Para este experimento, se escaneó una moneda estándar de 1 céntimo de euro como muestra de referencia en diversas amplitudes. Los escaneos obtenidos del experimento en condiciones generales contienen ruidos que se introducen debido a varias razones, como parámetros ambientales, errores de medición e instrumentos, y otras razones. Posteriormente intentamos eliminar los ruidos de estos escaneos utilizando el algoritmo propuesto. La verdad sobre el terreno o escaneo casi libre de ruido también se obtiene del experimento en el que todos los parámetros de lectura y escaneo se toman en condiciones casi ideales para reducir los parámetros de ruido. La Figura 3 muestra la verdad fundamental o la imagen de referencia que finalmente se utiliza para comparar con los resultados obtenidos mediante varios filtros de eliminación de ruido.

La figura presentada en este contexto muestra dos representaciones visuales de los datos reales asociados con la moneda de 1 céntimo de euro. La imagen izquierda representa una imagen de amplitud y la imagen derecha representa un gráfico de malla en el dominio del tiempo, que presenta una visualización tridimensional de los datos reales del terreno.

En este artículo, exploramos diferentes filtros de eliminación de ruido para mejorar la precisión y obtener resultados libres de ruido para las señales en el dominio del tiempo. Entre los filtros probados se encuentran el filtro gaussiano, el filtro mediano, el filtro Wiener y el filtro de coincidencia de bloques 4D (BM4D). En particular, el filtro BM4D demostró resultados prometedores, lo que nos llevó a mejorar aún más el enfoque aplicando el filtro de coincidencia de bloques 3D a la señal sin ruido.

Para evaluar la efectividad de los filtros en el manejo de datos de baja amplitud, utilizamos dos conjuntos de datos con amplitudes de 0,24 Vpp y 0,25 Vpp, respectivamente. Mediante un análisis y una comparación exhaustivos, determinamos que el filtro BM4D, junto con el filtro complementario de coincidencia de bloques 3D, proporcionó los resultados de eliminación de ruido más favorables, lo que lo convierte en una excelente opción para mejorar la calidad de los datos de baja amplitud en nuestro estudio.

En la Fig. 4, hemos presentado los resultados de aplicar varios filtros de eliminación de ruido a datos de señales de baja amplitud con una amplitud de 0,24 Vpp, para evaluar su eficacia a la hora de mejorar la calidad de la salida. Específicamente, hemos incluido una imagen de amplitud y el perfil de línea correspondiente en Y = 201 (mostrado por la línea amarilla) de las imágenes correspondientes, para cada uno de los siguientes filtros de eliminación de ruido: (a) los datos ruidosos originales, (b) los imagen de amplitud después de aplicar un filtro gaussiano a las señales en el dominio del tiempo de los datos ruidosos, (c) la imagen de amplitud después de aplicar un filtro mediano a las señales en el dominio del tiempo de los datos ruidosos, (d) la imagen de amplitud después de aplicar un filtro Wiener a las señales en el dominio del tiempo de los datos ruidosos, y (e) la imagen de amplitud después de aplicar un filtro de coincidencia de bloques 4D a las señales en el dominio del tiempo de los datos ruidosos.

La figura ilustra la utilización de múltiples filtros de eliminación de ruido, incluidos los filtros gaussiano, mediano, Wiener y BM4D en datos de señal de baja amplitud con una amplitud de 0,24 Vpp. Se presentan las salidas sin ruido de cada filtro, lo que facilita una comparación de sus capacidades de reducción de ruido y mejora de la claridad de la señal. Este análisis permite evaluar la eficacia con la que estos filtros manejan la eliminación de ruido de señales con amplitudes bajas.

La Figura 4 proporciona evidencia clara de que el filtro BM4D supera a otros filtros en la eliminación de ruido de la imagen ruidosa original. La calidad de la imagen mejora significativamente con el filtro BM4D, superando los resultados obtenidos con otros filtros. El análisis del perfil de línea confirma además que el filtro BM4D reduce eficazmente el ruido total en la imagen. Además, el filtro BM4D logra retener la estructura de la imagen y al mismo tiempo elimina eficazmente la mayor parte del ruido, lo que demuestra sus capacidades superiores de eliminación de ruido. Esto hace que el filtro BM4D sea la opción preferida para lograr resultados de eliminación de ruido de alta calidad en nuestro estudio.

En la Fig. 5, proporcionamos una evaluación de la efectividad de los filtros de coincidencia de bloques 4D y 3D para mejorar la calidad de la salida obtenida al procesar datos de señales de baja amplitud con una amplitud de 0,24 Vpp. Específicamente, la figura incluye (a) los datos ruidosos originales, (b) la imagen de amplitud después de aplicar un filtro de coincidencia de bloques 4D (BM4D) a las señales en el dominio del tiempo de los datos ruidosos, y (c) la imagen de amplitud después de aplicar un Filtro de coincidencia de bloques 3D (BM3D) para la imagen obtenida al filtrar los datos filtrados de coincidencia de bloques 4D. Además, en la figura se incluye el perfil de línea correspondiente en Y = 201 (mostrado por la línea amarilla) de las imágenes. Después de evaluar cualitativamente las imágenes de la Fig. 5, podemos observar que el filtro BM4D elimina los ruidos de la imagen original de manera efectiva. Pero la aplicación del filtro BM3D en la imagen de eliminación de ruido adquirida con el algoritmo BM4D reduce sustancialmente los ruidos y al mismo tiempo conserva la estructura de la imagen y la calidad general. Esta evaluación también se puede verificar a partir del perfil de la línea, que nos da una idea general del rendimiento general del filtro combinado BM4D y BM3D.

La figura ilustra la aplicación de tres filtros de eliminación de ruido, a saber, BM3D, BM4D y un enfoque combinado de BM4D y BM3D, a datos de señales de baja amplitud con una amplitud de 0,24 Vpp. Las salidas sin ruido obtenidas de cada filtro se muestran para representar su desempeño en la reducción del ruido y la mejora de la claridad de la señal. Este análisis permite una comparación exhaustiva de la eficacia de estos filtros en el manejo de la eliminación de ruido de señales de baja amplitud.

De manera similar, en la Fig. 6, hemos presentado los resultados de aplicar varios filtros de eliminación de ruido a datos de señal de baja amplitud con una amplitud de 0,25 Vpp, para evaluar su efectividad para mejorar la calidad de la salida. Específicamente, hemos incluido una imagen de amplitud y el perfil de línea correspondiente en Y = 201 (mostrado por la línea amarilla) de las imágenes correspondientes, para cada uno de los siguientes filtros de eliminación de ruido: (a) los datos ruidosos originales, (b) los imagen de amplitud después de aplicar un filtro gaussiano a las señales en el dominio del tiempo de los datos ruidosos, (c) la imagen de amplitud después de aplicar un filtro mediano a las señales en el dominio del tiempo de los datos ruidosos, (d) la imagen de amplitud después de aplicar un filtro Wiener a las señales en el dominio del tiempo de los datos ruidosos, y (e) la imagen de amplitud después de aplicar un filtro de coincidencia de bloques 4D a las señales en el dominio del tiempo de los datos ruidosos. Además, la Fig. 7f – j incluye los perfiles de línea correspondientes en Y = 201, indicados por la línea amarilla, para las imágenes.

La figura demuestra la aplicación de varios filtros de eliminación de ruido a datos de señales de baja amplitud con una amplitud de 0,25 Vpp. Se muestran las salidas eliminadas de ruido obtenidas de cada filtro (gaussiano, mediano, filtro Weiner, BM4D), lo que permite comparar su rendimiento para reducir el ruido y mejorar la claridad de la señal. Este análisis nos permite evaluar la efectividad de los diferentes filtros en el manejo de la eliminación de ruido para señales con bajas amplitudes.

En la figura presentada, se ilustra el proceso de eliminación de ruido para datos de señal de baja amplitud con una amplitud de 0,25 Vpp. A la señal de entrada se aplican tres filtros de eliminación de ruido diferentes, a saber, BM3D, BM4D y un filtro combinado BM4D y BM3D.

En la Fig. 7, proporcionamos una evaluación de la efectividad de los filtros de coincidencia de bloques 4D y 3D para mejorar la calidad de la salida obtenida al procesar datos de señales de baja amplitud con una amplitud de 0,25 Vpp. Específicamente, la figura incluye (a) los datos ruidosos originales, (b) la imagen de amplitud después de aplicar un filtro de coincidencia de bloques 3D a las señales en el dominio del tiempo de los datos ruidosos, (c) la imagen de amplitud se obtiene aplicando un bloque 4D -filtro de coincidencia con las señales en el dominio del tiempo de los datos ruidosos, y (d) la imagen de amplitud después de aplicar un filtro de coincidencia de bloques 3D a la imagen obtenida al filtrar los datos filtrados de coincidencia de bloques 4D. Además, los perfiles de línea correspondientes en Y = 201 (mostrados por la línea amarilla) de las imágenes se incluyen en la Fig. 7e – h.

Los resultados de eliminación de ruido demuestran claramente que el filtro BM4D es muy eficaz para reducir el ruido y mejorar la calidad de los datos de señales de baja amplitud con una amplitud de 0,25 Vpp. En comparación con otros filtros convencionales como los filtros gaussiano, mediano y Wiener, el filtro BM4D muestra el mejor rendimiento en términos de reducción de ruido y preservación de estructuras de imagen. Además, la combinación de los filtros BM4D y BM3D produce resultados aún mejores, mejorando aún más la claridad de la salida sin ruido.

Los perfiles de línea de cada imagen sin ruido también verifican la superioridad del filtro BM4D para reducir el ruido. El algoritmo de eliminación de ruido propuesto supera consistentemente a otros filtros convencionales, lo que da como resultado imágenes más precisas y sin ruido. Las Figuras 8 y 9 muestran la salida final sin ruido del filtro BM4D, presentando gráficos de señal en el dominio del tiempo y amplitud sin ruido para señales de baja amplitud de 0,24 Vpp y 0,25 Vpp. Estas cifras refuerzan la eficacia y solidez del algoritmo de eliminación de ruido propuesto para manejar datos de baja amplitud y mejorar la calidad general de la imagen.

La figura ilustra los resultados de aplicar el filtro BM4D a señales de baja amplitud con una amplitud de 0,24 Vpp. Presenta tanto la imagen de amplitud (izquierda) como la imagen correspondiente en el dominio del tiempo (derecha) obtenida después del proceso de eliminación de ruido utilizando el filtro BM4D.

La figura muestra los datos filtrados por BM4D para señales de baja amplitud con una amplitud de 0,25 Vpp. Representa tanto la imagen de amplitud (izquierda) como la imagen correspondiente en el dominio del tiempo (derecha) obtenida después de aplicar el filtro BM4D.

Durante la evaluación de la salida filtrada, encontramos un problema en el que los datos ruidosos y los datos reales tenían ligeras desviaciones de traslación y rotación. Esta desalineación afectó la precisión de las evaluaciones de la relación señal-ruido pico (PSNR) y de la medida del índice de similitud estructural (SSIM), lo que dificulta la obtención de resultados confiables.

Para superar este desafío, utilizamos una técnica de registro de imágenes implementada a través de MATLAB. Esta técnica nos permitió alinear con precisión los datos ruidosos con los datos reales del terreno, corrigiendo cualquier desviación de traslación y rotación. Como resultado, obtuvimos mediciones más precisas de PSNR y SSIM, proporcionando una evaluación más confiable del rendimiento de eliminación de ruido logrado por los distintos filtros. Con las evaluaciones corregidas, pudimos confirmar que el filtro BM4D produjo los mejores resultados de eliminación de ruido, reduciendo significativamente el ruido y preservando los detalles estructurales de la imagen. El análisis del perfil de línea respaldó aún más la eficacia del filtro BM4D para reducir el ruido total en la imagen. En general, la aplicación de la técnica de registro de imágenes proporcionó una evaluación más completa y precisa del rendimiento de los algoritmos de eliminación de ruido.

Determinar la similitud entre la verdad fundamental (imagen de referencia) y las imágenes filtradas es un componente esencial para calcular la relación señal-ruido máxima (PSNR) y la medida del índice de similitud estructural (SSIM)39. Se elige una imagen SAM con la amplitud adecuada como imagen de referencia, mientras que se utiliza una imagen SAM de baja amplitud como imagen detectada. Una vez registradas estas imágenes, se comparan en función de su contenido. Después de procesar los datos de baja amplitud utilizando varios filtros de eliminación de ruido, fue necesario evaluar la calidad de la salida obtenida. En este sentido, se emplearon dos medidas comúnmente utilizadas, a saber, la relación señal-ruido máxima (PSNR) y la medida del índice de similitud estructural (SSIM), para evaluar cuantitativamente el rendimiento de los filtros de eliminación de ruido.

El PSNR es una métrica comúnmente utilizada para evaluar la calidad de una señal sin ruido calculando la relación entre la potencia máxima de la señal y el error cuadrático medio (MSE) entre la señal original y la señal sin ruido. Los valores de PSNR más altos indican un mejor rendimiento del filtro de eliminación de ruido para preservar la calidad de la señal. De manera similar, el SSIM mide la similitud estructural entre la señal original y la señal sin ruido comparando su luminancia, contraste e información estructural. Los valores SSIM varían de 0 a 1, donde un valor de 1 indica una coincidencia perfecta entre las señales originales y sin ruido. Los valores PSNR y SSIM resultantes obtenidos de las señales eliminadas de ruido de datos de baja amplitud (0,24 Vpp y 0,25 Vpp) se tabularon en las Tablas 1 y 2 para facilitar una comparación directa del rendimiento de cada filtro eliminador de ruido. Este proceso de evaluación asegura la efectividad del método propuesto para mejorar la calidad de las señales ruidosas.

El análisis cuantitativo basado en los valores de PSNR y SSIM muestra que el filtro combinado BM4D y BM3D muestra el mejor resultado y tiene los valores de PSNR y SSIM más altos, seguido del filtro BM4D (Tablas 1 y 2). Otro filtro convencional aplicado tiene un rendimiento inferior en comparación con el algoritmo propuesto. Realizamos un análisis exhaustivo de las imágenes, variando la amplitud (0,24 V y 0,25 V) de la señal de entrada. Este enfoque se adoptó para mostrar la solidez y eficacia del método de eliminación de ruido propuesto. Los resultados de este análisis se presentan claramente en las tablas (Tablas 1 y 2), lo que proporciona información valiosa sobre el rendimiento de nuestro método bajo diferentes amplitudes de señal. Este análisis en profundidad demuestra que nuestro algoritmo propuesto es el más adecuado para eliminar el ruido de los datos ruidosos adquiridos con la técnica SAM.

En este artículo, hemos demostrado que se puede utilizar un filtro de coincidencia de bloques 4D para eliminar el ruido de las señales volumétricas microscópicas acústicas de barrido. Aquí demostramos la restauración de los datos ruidosos obtenidos en escaneos de señales de baja amplitud o imágenes ruidosas con una relación señal-ruido baja. Los datos de señal de baja amplitud escaneados son 0,25 Vpp y 0,24 Vpp. Lo hemos comparado con varios filtros de eliminación de ruido convencionales, como el filtro gaussiano, el filtro de mediana y el filtro Wiener, y comparamos la imagen con nuestro filtro de coincidencia de bloques 4D y 3D propuesto. A partir de la inspección visual de la imagen y reflexionando sobre los valores obtenidos de la relación señal-ruido máxima (PSNR) y de la medida del índice de similitud estructural (SSIM), es evidente que el filtro de coincidencia de bloques propuesto funcionó mejor que los filtros de eliminación de ruido convencionales comparados cuando aplicado a señales en el dominio del tiempo. El filtro de coincidencia de bloques propuesto sería una buena opción para eliminar el ruido de imágenes donde la relación señal-ruido es deficiente, como en las imágenes fotoacústicas (Información complementaria).

Los autores declaran la disponibilidad de los datos y códigos utilizados en la investigación para obtener los resultados reportados en el manuscrito previa solicitud razonable del autor correspondiente.

Briggs, A. y Kolosov, O. Microscopía acústica (Oxford University Press, 2010).

Google Académico

Hofmann, M. y col. Microscopía acústica de barrido: un nuevo método no invasivo para determinar la presión del líquido intersticial del tumor en un modelo de tumor de xenoinjerto. Traducción Oncol. 9(3), 179–183 (2016).

Artículo PubMed PubMed Central Google Scholar

Habib, A. y col. Caracterización mecánica de material cerámico piezoeléctrico sinterizado mediante microscopio acústico de barrido. Ultrasonidos 52(8), 989–995 (2012).

Artículo CAS PubMed Google Scholar

Bauermann, LP y cols. Microscopía acústica de barrido como herramienta de imágenes no destructiva para localizar defectos dentro de las celdas de la batería. J. Fuentes de energía Adv. 6, 100035 (2020).

Artículo de Google Scholar

Wagle, S., Habib, A. y Melandsø, F. Mediciones ultrasónicas de defectos superficiales en circuitos flexibles utilizando transductores de polímero enfocados de alta frecuencia. Japón. J. Aplica. Física. 56(7S1), 07JC05 (2017).

Artículo de Google Scholar

Karbhari, VM Evaluación no destructiva (NDE) de compuestos de matriz polimérica (Elsevier, 2013).

Reservar Google Académico

Habib, A. y col. Caracterización ultrasónica cuantitativa de una película delgada de AlN policristalina orientada al eje C para aplicaciones en dispositivos inteligentes. Acta Acusta. Acústico. 101(4), 675–683 (2015).

Artículo de Google Scholar

Wolf, M., Nair, AS, Hoffrogge, P., Kühnicke, E. y Czurratis, P. Análisis de fallas mejorado en microscopía acústica de barrido mediante técnicas avanzadas de procesamiento de señales. Microelectrón. Confiable. 138, 114618 (2022).

Artículo de Google Scholar

Brand, S., Czurratis, P., Hoffrogge, P. & Petzold, M. Inspección y clasificación automatizadas de contactos de chip invertido mediante microscopía acústica de barrido. Microelectrón. Confiable. 50(9–11), 1469–1473 (2010).

Artículo CAS Google Scholar

Fan, L., Zhang, F., Fan, H. y Zhang, C. Breve revisión de las técnicas de eliminación de ruido de imágenes. Vis. Computadora. Indo. Biomédica. Artículo 2(1), 1 a 12 (2019).

CAS Google Académico

Liu, D. y Chen, X. Eliminación de ruido de imágenes basada en una tecnología mejorada de umbralización de descomposición en modo empírico bidimensional. Multimed. Herramientas Aplica. 78, 7381–7417 (2019).

Artículo de Google Scholar

Malladi, SRS, Ram, S. & Rodríguez, JJ Eliminación de ruido de imágenes mediante PCA basado en superpíxeles. Traducción IEEE. Multimed. 23, 2297–2309 (2020).

Artículo de Google Scholar

Li, P., Wang, H., Li, X. y Zhang, C. Un algoritmo de eliminación de ruido de imágenes basado en agrupamiento adaptativo y descomposición de valores singulares. Proceso de imagen IET. 15(3), 598–614 (2021).

Artículo de Google Scholar

Wang, Y., Ma, Q., Zhu, Q., Liu, X. y Zhao, L. Un enfoque inteligente para el diagnóstico de fallas del motor basado en la transformada de Hilbert-Huang y la máquina de vectores de soporte. Aplica. Acústico. 75, 1–9 (2014).

Artículo CAS Google Scholar

Fan, S., Han, W., Gao, Z., Yin, R. y Zheng, Y. Algoritmo de eliminación de ruido para el GIIRS FY-4A basado en el análisis de componentes principales. Sensores remotos 11(22), 2710 (2019).

ADS del artículo Google Scholar

Liu, H. y col. Ajuste del sensor de alta precisión del magnetómetro de precesión de protones mediante la combinación de análisis de componentes principales y descomposición de valores singulares. IEEE Sens. J. 19(21), 9688–9696 (2019).

ADS del artículo Google Scholar

Tian, C. y col. Aprendizaje profundo sobre la eliminación de ruido de imágenes: una descripción general. Red neuronal. 131, 251–275 (2020).

Artículo PubMed MATEMÁTICAS Google Scholar

Ghose, S., Singh, N. y Singh, P. Eliminación de ruido de imágenes mediante aprendizaje profundo: red neuronal convolucional. en 2020 Décima Conferencia Internacional sobre Computación en la Nube, Ciencia e Ingeniería de Datos (Confluence). 511–517 (IEEE, 2020).

Gu, S. y Timofte, R. Una breve revisión de los algoritmos de eliminación de ruido de imágenes y más. en Desafíos de pintura y eliminación de ruido. 1–21 (2019).

Jadhav, S., Kuchibhotla, R., Agarwal, K., Habib, A. y Prasad, DK Eliminación de ruido basada en aprendizaje profundo de imágenes acústicas generadas con el método de contacto puntual. J. No destrucción. Evaluar. Diagnóstico. Pronóstico. Ing. Sistema. 6(3), 1–18 (2023).

Google Académico

Singh, H., Ahmed, AS, Melandsø, F. y Habib, A. Eliminación de ruido de imágenes ultrasónicas mediante aprendizaje automático en el método de detección y excitación por contacto puntual. Ultrasonidos 127, 106834 (2023).

Artículo PubMed Google Scholar

Zhang, K., Zuo, W., Chen, Y., Meng, D. y Zhang, L. Más allá de un eliminador de ruido gaussiano: aprendizaje residual de CNN profunda para la eliminación de ruido de imágenes. Traducción IEEE. Proceso de imagen. 26(7), 3142–3155 (2017).

Artículo ADS MathSciNet PubMed MATH Google Scholar

Hinton, GE Redes de creencias profundas. Scholarpedia 4(5), 5947 (2009).

ADS del artículo Google Scholar

Vicente, P. et al. Codificadores automáticos de eliminación de ruido apilados: aprendizaje de representaciones útiles en una red profunda con un criterio de eliminación de ruido local. J. Mach. Aprender. Res. 11(12), 3371 (2010).

MathSciNet MATEMÁTICAS Google Scholar

Forsyth, DA y cols. Reconocimiento de objetos con aprendizaje basado en gradientes. Grupo de contorno de forma. Computadora. Vis. 332, 319–345 (1999).

Google Académico

Wang, X., Girshick, R., Gupta, A. y He, K. Redes neuronales no locales. en Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones. 7794–7803 (2018).

Chan, T.-H. et al. PCANet: ¿Una línea base simple de aprendizaje profundo para la clasificación de imágenes? Traducción IEEE. Proceso de imagen. 24(12), 5017–5032 (2015).

Artículo ADS MathSciNet PubMed MATH Google Scholar

Yu, H., Ding, M., Zhang, X. y Wu, J. Método de medios no locales basado en PCANet para la eliminación del ruido moteado en imágenes de ultrasonido. MÁS UNO 13(10), e0205390 (2018).

Artículo PubMed PubMed Central Google Scholar

Yue, Z., Yong, H., Zhao, Q., Meng, D. y Zhang, L. Red de eliminación de ruido variacional: hacia el modelado y eliminación de ruido ciego. Adv. Inf. neuronal. Proceso. Sistema. 32, 113 (2019).

Google Académico

Hasan, M. & El-Sakka, MR Eliminación de ruido de imágenes BM3D mejorada mediante el filtro Wiener optimizado para SSIM. EURASIP J. Proceso Imagen Vídeo. 2018, 1-12 (2018).

Artículo de Google Scholar

Danielyan, A., Katkovnik, V. y Egiazarian, K. Marcos BM3D y eliminación de desenfoque de imágenes variacionales. Traducción IEEE. Proceso de imagen. 21 (4), 1715-1728 (2011).

Artículo ADS MathSciNet PubMed MATH Google Scholar

Danielyan, A., Foi, A., Katkovnik, V. y Egiazarian, K. Filtrado espacialmente adaptativo como regularización en imágenes inversas: detección de compresión, superresolución y muestreo ascendente. en imágenes de súper resolución. 123-154 (Prensa CRC, 2017).

Maggioni, M., Katkovnik, V., Egiazarian, K. & Foi, A. Filtro de dominio de transformación no local para eliminación de ruido y reconstrucción de datos volumétricos. Traducción IEEE. Proceso de imagen. 22(1), 119-133 (2012).

Artículo ADS MathSciNet PubMed MATH Google Scholar

Harold, J., Kushner, G. & Yin, G. Aproximación estocástica y algoritmo y aplicaciones recursivos. Aplica. Matemáticas. 35, 316 (1997).

Google Académico

Egiazarian, K., Foi, A. y Katkovnik, V. Reconstrucción de imágenes de detección comprimidas mediante filtrado recursivo espacialmente adaptativo. en la Conferencia Internacional IEEE de 2007 sobre procesamiento de imágenes. vol. 1. I-549–I-552 (IEEE, 2007).

Somani, A., Banerjee, P., Rastogi, M., Agarwal, K., Prasad, DK y Habib, A. Pintura de imágenes con hipergrafías para mejorar la resolución en microscopía acústica de barrido. en Actas de la Conferencia IEEE/CVF sobre Visión por Computadora y Reconocimiento de Patrones. 3112–3121 (2023).

Kumar, P. y col. Método numérico para compensación de inclinación en microscopía acústica de barrido. Medida 187, 110306 (2022).

Artículo de Google Scholar

Banerjee, P. y col. Imagen en pintura en microscopía acústica. AIP Avanzado. 13(4), 4 (2023).

Artículo de Google Scholar

Hore, A. y Ziou, D. Métricas de calidad de imagen: PSNR frente a SSIM. en 2010 20ª Conferencia Internacional sobre Reconocimiento de Patrones. 2366–2369 (IEEE, 2010).

Descargar referencias

Se reconoce la siguiente financiación: Proyecto Cristin, Noruega, ID: 2061348 (Habib). Los costos de publicación de este artículo han sido financiados por una subvención del fondo de publicaciones de la UiT, la Universidad Ártica de Noruega.

Financiamiento de acceso abierto proporcionado por UiT La Universidad Ártica de Noruega (incluido el Hospital Universitario del Norte de Noruega).

Departamento de Ingeniería Química, Instituto Indio de Tecnología, Guwahati, India

Shubham Kumar Gupta

Departamento de Electrónica e Ingeniería Eléctrica, Instituto Indio de Tecnología, Guwahati, India

Rishant Pal

Departamento de Física y Tecnología, UiT Universidad Ártica de Noruega, Tromsø, Noruega

Azeem Ahmad, Frank Melandsø y Anowarul Habib

También puedes buscar este autor en PubMed Google Scholar.

AH conceptualizó, diseñó y desarrolló el microscopio acústico de barrido. AA y AH realizaron los experimentos y conceptualizaron la idea. SKG y RP analizan los datos, desarrollaron el algoritmo, escribieron el borrador original, revisaron y editaron el manuscrito con el apoyo de todos los coautores. La financiación fue asegurada por FM y AH.

Correspondencia a Anowarul Habib.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gupta, SK, Pal, R., Ahmad, A. et al. Eliminación de ruido de imágenes en microscopía acústica mediante coincidencia de bloques y filtro 4D. Informe científico 13, 13212 (2023). https://doi.org/10.1038/s41598-023-40301-7

Descargar cita

Recibido: 17 de abril de 2023

Aceptado: 08 de agosto de 2023

Publicado: 14 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40301-7

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog

Eliminación de ruido de imágenes en microscopía acústica mediante bloque.