Framework di Deep Learning Non Supervisionato per la Denoising di CT a Bassa Dose

Uno studio pubblicato su arXiv presenta un approccio di deep learning non supervisionato volto a denoising delle immagini di tomografia computerizzata (CT) a bassa dose. Mentre la CT a bassa dose minimizza l'esposizione alle radiazioni, introduce anche rumore che può complicare le diagnosi. Il framework proposto, ispirato a Cycle-GAN, utilizza una U-Net per estrarre caratteristiche a scale multiple, incorpora un meccanismo di attenzione per fondere le caratteristiche e impiega una rete residuale per trasformare tali caratteristiche. Per adattare la rete alle specificità dell'imaging medico, viene utilizzata una perdita percettiva. I ricercatori hanno creato un dataset reale di CT a bassa dose e stabilito un regime di addestramento esteso. Questa tecnica mira a migliorare la qualità dell'immagine senza la necessità di dataset di addestramento accoppiati rumorosi-puliti, rendendola adatta per applicazioni cliniche.