Análise comparativa de redes neurais convolucionais para redução de ruído em imagens de tomografia computadorizada

Abstract

Reduzir a dose de radiação em exames de tomografia computadorizada é uma necessidade clínica. O desafio é que imagens geradas com baixa dose têm qualidade inferior, com ruídos e artefatos que comprometem o diagnóstico. Aumentar a dose melhora a qualidade das imagens, mas aumenta o risco para os pacientes. Por anos, esse foi um trade-off sem uma solução plenamente satisfatória. Recentemente, modelos de aprendizado profundo começaram a demonstrar que é possível melhorar essas imagens sem alterar a dose de radiação. A abordagem consiste em treinar redes neurais para aprender a diferença entre uma imagem ruidosa e uma de boa qualidade, e aplicar essa correção após a aquisição da imagem. Vários tipos de arquitetura foram propostos para essa finalidade, e compará-los de forma controlada ainda é uma necessidade apontada pela literatura. Este trabalho realiza essa comparação. Foram avaliadas três arquiteturas de redes neurais convolucionais, RED-CNN, DnCNN e WGAN-VGG, todas treinadas com o mesmo dataset, o LDCT-and-Projection-data da The Cancer Imaging Archive, que contém imagens abdominais de 50 pacientes com pares de exames em low-dose e full-dose. As condições de treinamento e avaliação foram padronizadas para que a comparação entre os modelosfosse justa. O desempenho foi medido com as métricas Peak Signal-to- Noise Ratio, Structural Similarity Index Measure e Root Mean Square Error. Os resultados mostram que os modelos RED-CNN e DnCNN foram capazes de realizar a tarefa de suprimir o ruído.