Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.233
Aluno: Francisco Mauro Falcão Matias Filho
Orientador: Prof. George Darmiton da Cunha Cavalcanti
Coorientador: Prof. Luis Felipe Alves Pereira (UFAPE))
Título: A Power-Law Noise Scheduler for Image Diffusion Models in Low-Dose CT Denoising
Data: 31/07/2025
Hora/Local: 14h – Sala E-122
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / CIn)
Prof. David Menotti Gomes (UFPR / Departamento de Informática )
Prof. George Darmiton da Cunha Cavalcanti (UFPE / CIn)
RESUMO:
A crescente necessidade de reduzir a exposição dos pacientes à radiação ionizante em imagens médicas levou à adoção generalizada de protocolos de tomografia computadorizada de baixa dose, guiados pelo princípio ALARA (Tão Baixo Quanto Razoavelmente Exequível). No entanto, a redução da dose de radiação resulta em aumento do ruído e artefatos nas imagens, o que pode comprometer significativamente a qualidade diagnóstica. Técnicas avançadas de deep learning têm demonstrado que redes neurais podem aprender efetivamente mapeamentos entre imagens LDCT e as correspondentes NDCT, melhorando a qualidade da reconstrução. Contudo, a maioria das abordagens existentes baseia-se em mapeamentos diretos, que podem ter atingido um platô de desempenho, como sugerido pelas melhorias cada vez menores observadas em modelos recentes. Nesse contexto, modelos de difusão surgem como alternativas promissoras para restauração de imagens devido às suas capacidades generativas. Entretanto, formulações tradicionais baseadas na adição estocástica de ruído podem não ser adequadas para modelar distribuições complexas de ruído. Trabalhos anteriores abordaram essa questão redefinindo o processo de adição de ruído como uma transformação determinística entre imagens limpas e ruidosas, alinhando-se mais de perto com cenários reais. Com base nessa formulação alternativa, esta dissertação propõe uma rotina de adição de ruído flexível baseada em uma lei de potência, parametrizada por um expoente 𝛾, que controla a taxa em qual o ruído é introduzido durante o processo de difusão. Esse design possibilita a exploração de diferentes dinâmicas de progressão do ruído e permite a avaliação de hipóteses de Aprendizado por Currículo no contexto de remoção de ruído em imagens médicas. Quando 𝛾 > 1, o modelo segue um currículo que aumenta gradualmente a complexidade do ruído, enquanto 𝛾 < 1 corresponde a um currículo reverso. Essa flexibilidade posiciona 𝛾 como um componente chave para guiar o processo de aprendizado. Resultados experimentais mostram que o método proposto supera técnicas padrão de reconstrução, especialmente sob agendamentos de ruído mais agressivos. Além disso, os melhores resultados foram obtidos com 𝛾 > 1, reforçando a eficácia de uma estratégia de degradação baseada em currículo nas tarefas de reconstrução de tomografias de baixa dose.
Palavras-chaves: TC de Baixa Dose. Remoção de ruído. Redes de Difusão. Rotina de Adição de Ruído. Aprendizado por currículo.
Comentários desativados