Comparações de Modelos Neurais em Redução de Ruído de Imagens de
Tomografia Computadorizada
Redução de Ruído. Tomografia Computadorizada. Avaliação
Holística.
Reduzir a exposição de pacientes à radiação ionizante em exames de
Tomografia Computadorizada (CT) 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 solução para
recuperar a 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
tamanho do batch 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 confiabilidade aos resultados, além de
apontar para a necessidade de práticas de avaliação mais robustas e
holísticas no campo da reconstrução de imagens médicas.