Comparações de modelos neurais em redução de ruído de imagens de tomografia computadorizada

Abstract

Reduzir a exposição de pacientes à radiação ionizante em exames de Tomografia Compu- tadorizada é primordial para minimizar os riscos oncogênicos, desafiando o desenvolvimento de técnicas que viabilizem imagens claras mesmo com doses baixas de radiação. A remoção eficaz de ruído das imagens médicas mediante modelos neurais surge como alternativa da recuperação da qualidade de imagens produzidas com menor corrente elétrica nos tubos de raio-X. Este estudo centra-se na comparação equitativa de diferentes arquiteturas de redes neurais nessa aplicação, confrontando a adequação das avaliações tradicionais, ancoradas em análises pontuais que ignoram variações experimentais, permitindo conclusões superficiais e tendenciosas, além de abordar a inconsistência entre métricas quantitativas e qualidade visual. Com ênfase nos desafios inerentes, a metodologia adotada perpassou por um controle rigoroso de hiperparâmetros, tal como o batch size e seeds, para garimpar nuances no desempenho dos modelos sob variações experimentais. As experimentações, sob um meticuloso ambiente de testes, buscaram garantir replicabilidade e entender cuidadosamente o papel das funções de perda na preservação de detalhes diagnósticos. O Efeito MSE, um artefato visual induzido por funções de perda pixel-wise, foi um dos delineamentos qualitativos observados, desafiando a confiabilidade das métricas tradicionais. A pesquisa evidencia a complexidade subjacente nas análises de desempenho, postulando o design de um framework que confere maior con- fiabilidade aos resultados, além de apontar para a necessidade de práticas de avaliação mais robustas e holísticas no campo da reconstrução de imagens médicas.