Resumen

La Tomografía Computarizada de Baja Dosis (LDCT) ha ganado una gran atención en los procedimientos clínicos debido a su capacidad para reducir el riesgo de exposición del paciente a la radiación de rayos X. Sin embargo, la reducción de la dosis de rayos X aumenta el ruido cuántico y los artefactos en las imágenes LDCT adquiridas. Como resultado, se producen imágenes LDCT de baja calidad visual que afectan negativamente al diagnóstico de la enfermedad y a la planificación del tratamiento en los procedimientos clínicos. Deep Learning (DL) se ha convertido recientemente en la tecnología de vanguardia de LDCT denoising debido a su alto rendimiento y ejecución basada en datos en comparación con los enfoques convencionales de denoising. Aunque los modelos basados en DL funcionan bastante bien en la reducción de ruido LDCT, algunos componentes de ruido todavía se conservan en las imágenes LDCT denoiseñadas. Una de las razones de esta retención de ruido es la transmisión directa de los mapas de características a través de las conexiones de salto de los modos DL basados en rutas de contracción y extracción. Por lo tanto, en este estudio, proponemos una Red Adversarial Generativa con módulos de red Inception (InNetGAN) como solución para filtrar la transmisión de ruido a través de conexiones de salto y preservar la textura y la estructura fina de las imágenes LDCT. El generador propuesto se basa en la arquitectura U-net. Las conexiones de salto en la arquitectura U-net se modifican con tres módulos de red de incepción diferentes para filtrar el ruido en los mapas de características que pasan sobre ellas. Los resultados experimentales cuantitativos y cualitativos han demostrado el rendimiento del modelo InNetGAN a la hora de reducir el ruido y preservar las estructuras sutiles y los detalles de textura de las imágenes LDCT en comparación con otros algoritmos de eliminación de ruido de última generación.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:Imágenes LDCT, procedimientos clínicos, mapas de características, arquitectura de red, conexiones de salto, diferentes módulos de red de incepción, red generativa adversarial, módulos de red de incepción, reducción de ruido LDCT, imágenes LDCT desenotizadas.
• Keywords:LDCT images, clinical procedures, feature maps, net architecture, skip connections, different inception network modules, Generative Adversarial Network, Inception network modules, LDCT noise reduction, denoised LDCT images