В статье исследуется влияние предварительного использования фильтра Калмана на качество обучения автоэнкодеров при обработке изображений с коррелированным шумом. Цель исследования заключается в сравнении эффективности применения фильтра Калмана с традиционными методами фильтрации, такими как медианный фильтр и фильтр Гаусса, в контексте предварительной обработки изображений. Для эксперимента использовались изображения с искусственно добавленным коррелированным шумом.
Методология включала настройку параметров фильтра Калмана для оптимального удаления коррелированного шума, а также применение медианного и Гауссового фильтров для сравнительного анализа. Оценка качества фильтрации проводилась с использованием индекса структурного сходства (SSIM) и пикового соотношения сигнал/шум (PSNR). Результаты эксперимента показывают, что фильтр Калмана значительно снижает уровень коррелированного шума, улучшая качество изображений и повышая точность обучения автоэнкодеров. Это подтверждает эффективность применения фильтра Калмана для предварительной обработки изображений и обеспечивает более чистые данные для последующих этапов машинного обучения. Результаты исследования подчеркивают важность выбора подходящих методов цифровой фильтрации шума для повышения производительности нейронных сетей.
Современные требования к специалистам из сферы здравоохранения давно вышли за рамки непосредственно медицины. Использование современных технических средств приводит к ситуации, когда медик должен максимально быстро адаптироваться к условиям развития информационных технологий. Необходимость помимо профессиональной деятельности развиваться в смежных областях, получение опыта в таких направлениях, как информационные технологии или телемедицина [1, с. 68], приводят к постоянному повышению когнитивной нагрузки, вследствие чего снижается качество и оперативность принимаемых врачебных решений.
В рамках данной статьи будет рассмотрена проблема визуального анализа медицинских данных, а также предложены решения для снижения когнитивной нагрузки аналитика при проведении первичной обработки и анализа слабоструктурированных медицинских данных. Для решения поставленных задач предложен метод визуализации медицинских данных, предназначенный для снижения когнитивной нагрузки и, как следствие, рисков профессионального выгорания у медиков.
Представленный в статье программный модуль получен в рамках этапа разработки программного комплекса, необходимого для решения задачи повышения качества и оперативности принятия медицинских решений.