У роботі запропоновано підхід до оптимізації обробки біомедичних зображень у телемедичних системах шляхом інтеграції адаптивного стиснення та сегментації з використанням згорткових нейронних мереж (U-Net). Розроблено клієнт-серверну архітектуру, яка забезпечує ефективну передачу та аналіз медичних даних в умовах нестабільних мереж. Адаптивне стиснення зменшує обсяг даних на 40–60%, зберігаючи діагностичну якість (PSNR 35-40 дБ). Сегментація зображень ОКТ та судин сітківки за допомогою U-Net підвищує точність аналізу. Результати підтверджують перспективність підходу для підвищення якості діагностики в телемедичних системах.

Optimization of biomedical image processing in telemedicial systems using convulsive neural networks and adaptive compression

Abstract: The paper proposes an approach to optimize biomedical image processing in telemedicine systems by integrating adaptive compression and segmentation using convolutional neural networks (U-Net). A client-server architecture has been developed that ensures efficient transmission and analysis of medical data in unstable network conditions. Adaptive compression reduces the data volume by 40–60% while maintaining diagnostic quality (PSNR 35–40 dB). Segmentation of OCT and retinal vessel images using U-Net increases the accuracy of analysis. The results confirm the promising approach for improving the quality of diagnostics in telemedicine systems.