CNLNet: mejora de la eliminación de ruido en imágenes cerebrales de resonancia magnética mediante una red neuronal convolucional con una capa integrada de medias no locales Autores: Preena Prasad - Karunya Institute of Technology and Sciences; SAINTGITS College of Engineering Kottayam (IN) Anitha J. - Karunya Institute of Technology and Sciences (IN) Alexander Zakharov - Samara State Medical University (RU) Natalia Romanchuk - Samara State Medical University (RU) D. Jude Hemanth - Karunya Institute of Technology and Sciences (IN) Resumen La resonancia magnética (RM) es una modalidad de imagen esencial para el estudio del cerebro, pero se ve afectada por ruido que degrada la calidad de las imágenes. Los métodos tradicionales suelen ser incapaces de preservar los detalles finos de la imagen al mismo tiempo que proporcionan una eliminación eficaz del ruido. Aunque los métodos de aprendizaje profundo ofrecen un buen rendimiento, su integración con enfoques tradicionales para la eliminación de ruido en imágenes médicas ha sido poco explorada. En este trabajo desarrollamos CNLNet, un modelo de aprendizaje profundo (DL) que combina una red neuronal convolucional (CNN) con una capa de medias no locales (NLM) para eliminar el ruido de imágenes cerebrales de resonancia magnética. La extracción de características locales se realiza mediante la CNN, mientras que la capa NLM refina las dependencias de largo alcance, proporcionando un mejor rendimiento en la eliminación de ruido. El modelo se entrenó con el conjunto de datos de imágenes cerebrales de RM de Kaggle, utilizando distintos niveles de ruido gaussiano con desviaciones estándar de 0,1, 0,3 y 0,5. Los resultados cuantitativos de los experimentos revelan que CNLNet presenta un buen rendimiento en comparación con el modelo CNN y con los filtros tradicionales de mediana, Wiener y NLM en términos de PSNR, SSIM, MSE y MAE. La comparación visual también pone de manifiesto que CNLNet conserva detalles finos relevantes al mismo tiempo que elimina el ruido. Este enfoque mejora la calidad de las imágenes cerebrales de resonancia magnética, demostrando potencial para aplicaciones de diagnóstico clínico y ofreciendo una solución de eliminación de ruido más eficiente en comparación con los métodos convencionales.