Análise multi-resolução inteligente: combinando a Transformada Wavelet com estratégias de deep learning para redução de ruídos em imagens de ressonância magnética

• Ano de defesa: 2025
• Autor(a) principal: Queiroz, Guylherme Emmanuel Tagliaferro de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Convolutional neural networks; Deep learning; Imagem por ressonância magnética; Magnetic resonance imaging; Noise suppression; Redes neurais convolucionais; Supressão de ruído; Transformada wavelet; Wavelet transform
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-26012026-112255/

A técnica de imagens por ressonância magnética (RM) é amplamente utilizada na medicina por ser não invasiva e fornecer imagens com elevado contraste entre tecidos. Apesar dos avanços nos scanners, imagens por RM ainda sofrem com degradações inerentes à aquisição, sobretudo em exames in vivo, nos quais o paciente é uma das principais fontes de ruído. Nessas situações, a redução do tempo de aquisição (comum na prática clínica) compromete a relação sinal-ruído e degrada a imagem. O ruído prejudica tanto a interpretação clínica quanto o desempenho de métodos de pós-processamento, motivando o desenvolvimento de estratégias específicas de supressão. Diferentemente das imagens naturais, com ruído tipicamente gaussiano, imagens de RM em magnitude apresentam distribuições estatísticas variadas, dificultando o uso de abordagens genéricas. Esta tese propõe uma solução adaptativa para supressão de ruído em imagens por RM, considerando diferentes estratégias clínicas de aquisição e reconstrução. A principal contribuição é o modelo Wavelet Discriminative Residual Network (WDResNet), uma arquitetura convolucional multiespectral que combina redes neurais convolucionais e decomposição por transformada wavelet discreta, promovendo a separação entre ruído e estruturas anatômicas. A rede é composta por sub-redes especializadas em diferentes bandas espectrais, além de mecanismos de fusão e estimativa residual. A ausência de imagens reais livres de ruído é contornada por meio da geração de um conjunto sintético estatisticamente controlado. Os experimentos indicam que o WDResNet supera métodos clássicos como Non-Local Means (NLM), Oracle Discrete Cosine Transform (ODCT) e Non-Local Principal Component Analysis (NLPCA), apresentando desempenho robusto frente a diferentes níveis de ruído, ponderações e distribuições, sem exigir ajustes manuais. A abordagem proposta representa um avanço na recuperação de imagens degradadas por ruído, combinando modelagem estatística, análise multirresolução e aprendizado profundo, com impactos positivos em contextos clínicos e de pesquisa.