Linha de pesquisa: Ciência de Dados

Resumo: A tomografia computadorizada de baixa dosagem (LDCT) reduz a exposição à radiação ionizante, mas compromete a qualidade da imagem devido a ruídos e artefatos. Métodos tradicionais apresentam limitações, enquanto abordagens de aprendizado profundo (DL) mostram potencial para melhor recuperação da imagem. Diante disso, este trabalho investiga o uso de redes neurais de segmentação para remoção de ruídos em imagens LDCT, visando minimizar os riscos da radiação ionizante sem comprometer a qualidade da imagem. Foram testadas arquiteturas como U-Net, LinkNet, PSPNet e MANet combinadas com diferentes encoders (ResNet50, VGG16, DenseNet121, Inceptionv4, MobileNetV2 e EfficientNet-B2), utilizando o dataset Low-dose CT Grand Challenge da Mayo Clinic. Técnicas de aumento de dados, como desfoque gaussiano e variações de brilho, foram aplicadas para melhorar a robustez dos modelos. A combinação U-Net + Inceptionv4 demonstrou o melhor desempenho, superando abordagens tradicionais, com um PSNR de 48,797 e SSIM de 0,977. Os resultados evidenciam que o uso de encoders avançados e mecanismos de atenção pode aprimorar a recuperação de detalhes estruturais em imagens LDCT.

Link para a defesa: https://meet.google.com/cfi-sjrd-qaq