Filtragem de ruído em projeções de Tomossíntese Mamária utilizando aprendizado profundo

• Ano de defesa: 2021
• Autor(a) principal: Araújo, Darlan Murilo Nakamura de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Tomossíntese mamária; Filtragem de ruído; Aprendizado profundo; Redes neurais artificiais; Digital Breast Tomosynthesis; Denoising; Deep learning; Artificial neural networks
• Link de acesso: http://hdl.handle.net/11449/216278

Redes Neurais com Aprendizado Profundo têm se destacado por se tornar a abordagem em estado da arte para diversos problemas, especialmente em análise de imagens. Uma das características essenciais para um treinamento adequado destas redes é a necessidade de uma grande base de dados. Porém, em algumas aplicações, pode ser difícil obter um número de amostras suficiente, ou ainda, pode ser inviável a aquisição de dados de referência (ground truth) para o treinamento de forma supervisionada. Uma destas aplicações é a filtragem de ruído em Tomossíntese Mamária (DBT). Os exames de Tomossíntese Mamária utilizam radiação ionizante e, como expor o paciente a diversas aquisições com diferentes doses de radiação é inadequado, torna-se inviável obter os dados de referência. Além disso, o princípio ALARA da área de proteção radiológica propõe uma busca constante pela menor dose adequada para um exame. Porém, reduzir a dose de radiação implica em elevar o nível de ruído nas imagens adquiridas de DBT, de tal modo que os métodos de filtragem de ruído são fundamentais para permitir a redução de dose de radiação em DBT. Por sua vez, alguns trabalhos da literatura podem contribuir para a criação de uma base de dados de DBT, especialmente dados de referência, tal como métodos que simulam redução de dose e softwares que geram ensaios clínicos virtuais de DBT. Diversos métodos de filtragem de ruído têm sido aplicados em DBT, porém, existem poucos trabalhos que buscam aplicar redes neurais profundas para filtragem de ruído em DBT. Deste modo, este trabalho investigou extensivamente a filtragem de ruído em projeções de DBT com métodos de aprendizado profundo, comparando com métodos tradicionais. Os resultados dos métodos baseados em redes neurais foram superiores quantitativamente, atingindo um PSNR médio acima de 1,7 dB em comparação com os métodos tradicionais. Qualitativamente, os resultados dos métodos profundos também foram superiores, sendo melhores em preservar as estruturas mamárias e o contraste nas regiões com microcalcificações.