Image enhancement methods are applied to medical images to reduce the noise that they contain. There are many academic studies in the literature using classical image enhancement methods. Ultrasound imaging is a medical imaging method that is used for the diagnosis of diseases. In this study, speckle noises with Rayleigh distribution at four different noise levels (σ = 0.10, 0.25, 0.50, 0.75) are added to ultrasound images of the brachial plexus nerve region. Five different deep learning networks (Dilated Convolution Autoencoder Denoising Network/Di-Conv-AE-Net, Denoising U-Shaped Net/D-U-Net, BatchRenormalization U-Net/Br-U-Net, Generative Adversarial Denoising Network/DGan-Net, and CNN Residual Network/DeRNet) are used for reducing the speckle noises of the ultrasound images. The performances of the deep networks are compared with block-matching and 3D filtering (BM3D), which is one of the most preferred classical image enhancement algorithms; with classical filters including Bilateral, Frost, Kuan, Lee, Mean, and Median Filters; and with deep learning networks including Learning Pixel-Distribution Prior with Wider Convolution for Image Denoising (WIN5-RB), Denoising Prior Driven Deep Neural Network for Image Restoration (DPDNN), and Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks (FPD-M-Net). Network performance is evaluated according to peak signal-to-noise ratio (PSNR), structural similarity index (SSIM), and runtime criteria and the proposed deep learning networks are shown to outperform the other networks.

图像增强方法应用于医学图像以减少它们包含的噪声。文献中有许多学术研究使用经典的图像增强方法。超声成像是一种用于疾病诊断的医学成像方法。在这项研究中，在四个不同噪声水平（σ = 0.10、0.25、0.50、0.75）下具有瑞利分布的散斑噪声被添加到臂丛神经区域的超声图像中。五种不同的深度学习网络（Dilated Convolution Autoencoder Denoising Network/Di-Conv-AE-Net、Denoising U-Shaped Net/DU-Net、BatchRenormalization U-Net/Br-U-Net、Generative Adversarial Denoising Network/DGan-Net、和 CNN Residual Network/DeRNet) 用于减少超声图像的斑点噪声。将深度网络的性能与块匹配和 3D 过滤 (BM3D) 进行比较，这是最受青睐的经典图像增强算法之一；使用经典过滤器，包括双边、Frost、Kuan、Lee、Mean 和 Median 过滤器；以及深度学习网络，包括使用更宽卷积进行图像去噪的学习像素分布先验 (WIN5-RB)、用于图像恢复的去噪先验驱动深度神经网络 (DPDNN) 以及使用基于 M-Net 的卷积神经网络的指纹图像去噪和修复(FPD-M-Net)。根据峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和运行时标准评估网络性能，并且表明所提出的深度学习网络优于其他网络。这是最受欢迎的经典图像增强算法之一；使用经典过滤器，包括双边、Frost、Kuan、Lee、Mean 和 Median 过滤器；以及深度学习网络，包括使用更宽卷积进行图像去噪的学习像素分布先验 (WIN5-RB)、用于图像恢复的去噪先验驱动深度神经网络 (DPDNN) 以及使用基于 M-Net 的卷积神经网络的指纹图像去噪和修复(FPD-M-Net)。根据峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和运行时标准评估网络性能，并且表明所提出的深度学习网络优于其他网络。这是最受欢迎的经典图像增强算法之一；使用经典过滤器，包括双边、Frost、Kuan、Lee、Mean 和 Median 过滤器；以及深度学习网络，包括使用更宽卷积进行图像去噪的学习像素分布先验 (WIN5-RB)、用于图像恢复的去噪先验驱动深度神经网络 (DPDNN) 以及使用基于 M-Net 的卷积神经网络的指纹图像去噪和修复(FPD-M-Net)。根据峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和运行时标准评估网络性能，并且表明所提出的深度学习网络优于其他网络。以及深度学习网络，包括使用更宽卷积进行图像去噪的学习像素分布先验 (WIN5-RB)、用于图像恢复的去噪先验驱动深度神经网络 (DPDNN) 以及使用基于 M-Net 的卷积神经网络的指纹图像去噪和修复(FPD-M-Net)。根据峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和运行时标准评估网络性能，并且表明所提出的深度学习网络优于其他网络。以及深度学习网络，包括使用更宽卷积进行图像去噪的学习像素分布先验 (WIN5-RB)、用于图像恢复的去噪先验驱动深度神经网络 (DPDNN) 以及使用基于 M-Net 的卷积神经网络的指纹图像去噪和修复(FPD-M-Net)。根据峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和运行时标准评估网络性能，并且表明所提出的深度学习网络优于其他网络。