Publicação: Avaliação de modelos de segmentação para remoção de ruídos em tomografias computadorizadas
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A tomografia computadorizada de baixa dosagem (LDCT) reduz a exposição à radiação
ionizante, mas gera imagens com ruído e perda de qualidade. Este trabalho analisa o uso de
redes neurais convolucionais de segmentação para remoção de ruído em imagens LDCT, com
o objetivo de preservar detalhes estruturais e relevantes. Foram avaliadas quatro arquiteturas:
U-Net, LinkNet, PSPNet e MA-Net. Essas redes foram combinadas com diferentes backbones
(ResNet50, VGG16, DenseNet121, Inceptionv4, MobileNetV2 e EfficientNet-B2). Utilizou-se o
conjunto de dados AAPM 2016 da Mayo Clinic. Os resultados demonstram que a combinação
U-Net + Inceptionv4 obteve o melhor desempenho, com PSNR de 48,797 e SSIM de 0,977,
superando métodos tradicionais. As análises evidenciam que o uso de mecanismos de atenção
e backbones mais avançados pode aprimorar a recuperação de detalhes em imagens ruidosas.
Abstract
Low-dose computed tomography (LDCT) reduces exposure to ionizing radiation, but ge-
nerates noisy images with poor quality. This work analyzes the use of convolutional neural
networks for segmentation to remove noise from LDCT images, aiming to preserve structural
details and relevant information. Four architectures were evaluated: U-Net, LinkNet, PSPNet,
and MA-Net. These networks were combined with different backbones (ResNet50, VGG16,
DenseNet121, Inceptionv4, MobileNetV2, and EfficientNet-B2). The AAPM 2016 dataset from
the Mayo Clinic was used. The results demonstrate that the combination of U-Net + Incepti-
onv4 obtained the best performance, with a PSNR of 48.797 and SSIM of 0.977, outperforming
traditional methods. The analyses show that the use of more advanced attention mechanisms
and backbones can improve detail recovery in noisy images.
Palavras-chave
LDCT, Remoção de ruídos, Noise removal, Redes de segmentação, Segmentation networks, Mecanismos de atenção, Attention mechanisms, Computação, Computing
Citação
CARMO, Natalia Camillo do. Avaliação de Modelos de Segmentação para Remoção de Ruídos em Tomografias Computadorizadas. 2025. 68 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.330
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto