Nghiên cứu ứng dụng học sâu trong tái tạo hình ảnh CT

Abstract

Tái tạo ảnh chụp cắt lớp vi tính (Computed Tomography, CT) đóng vai trò quan trọng trong chẩn đoán lâm sàng, hỗ trợ đánh giá và phân loại bệnh, ứng dụng công nghiệp và nhiều lĩnh vực khác. Hầu hết các thuật toán khôi phục ảnh CT hiện có dựa trên dữ liệu tổng hợp, thường gặp khó khăn với việc mất chi tiết nhỏ, biến dạng vùng cục bộ và các vấn đề khác phát sinh trong ứng dụng thực tế. Đặc biệt, việc sử dụng rộng rãi kỹ thuật này đi kèm với mối lo ngại về phơi nhiễm bức xạ ion hóa. Để khắc phục vấn đề này, các nhà nghiên cứu liên tục tìm kiếm các phương pháp mới nhằm giảm thiểu liều bức xạ cho bệnh nhân mà vẫn đảm bảo chất lượng hình ảnh. Do đó, nghiên cứu này đề xuất một mô hình Dual-AttUNeXt kết hợp ConvNeXt và cơ chế chú ý vào cấu trúc UNet để tăng cường khả năng trích xuất đặc trưng, giúp bảo toàn chi tiết ảnh trong quá trình tái tạo. Mô hình được áp dụng cho một bộ dữ liệu ảnh CT, đạt được tỷ số tín hiệu cực đại trên nhiễu (PSNR) là 45,15 dB, cao hơn từ 3,71 đến 13,46 so với các phương pháp đối chiếu. Kết quả thực nghiệm cho thấy Dual-AttUNeXt không chỉ cải thiện chất lượng ảnh tái tạo mà còn bảo toàn tốt các chi tiết nhỏ trong ảnh từ đó hỗ trợ chẩn đoán chính xác. Kỹ thuật đề xuất mở ra hướng đi tiềm năng trong việc ứng dụng học sâu giúp nâng cao chất lượng tái tạo ảnh CT, đồng thời giảm thiểu rủi ro bức xạ cho bệnh nhân