Reconstrução de imagens utilizando aprendizado profundo e técnicas de compressive sensing

Abstract

O uso de imagens de ressonância magnética é amplamente difundido no diagnóstico de tumores e auxilia no tratamento de câncer, uma doença que causa a produção de células anormais que agrupam-se formando tumores e gerando metástases. Um exame de prevenção ou diagnóstico precoce de uma doença como o câncer aumentam consideravelmente suas chances de cura. É sempre importante considerar que a qualidade das imagens obtidas em exames médicos como a ressonância magnética (RMN) é de suma importância para o diagnóstico de doenças. A Engenharia, através de linhas de pesquisa como o processamento de sinais, fornece meios de aumentar a robustez frente a interferências no processamento de imagens com ferramentas como aprendizado profundo. Dentro desta vertente, o uso de redes neurais convolucionais, como a U-Net e os autoencoders, alinhados ao Compressive Sensing, tem extrema valia no desenvolvimento de sistemas de diagnósticos mais acurados a doenças tão oprobriosas. Através de testes realizados com códigos baseados em linguagem Python e utilizando imagens de exames médicos provou-se por inspeção visual e por métricas de qualidade como a razão sinal-ruído de pico e o índice de semelhança de estrutura que o uso destas técnicas é capaz de produzir resultados satisfatórios frente a tentativa de eliminar artefatos de imagem e possibilitar um diagnóstico mais contundente, incrementando o potencial de recuperação de um paciente. Para tanto, o modelo proposto conta ainda com técnicas de regularização baseadas nas normas de Compressive Sensing e em padrões de subamostragem.