Metodi Variazionali e Reti Neurali per la Ricostruzione di Immagini 3D da Tomosintesi: Un Approccio Ibrido

In questa tesi viene analizzato un possibile utilizzo di una rete convoluzionale nel campo della diagnostica per immagini, con l'obiettivo di ricostruire volumi tridimensionali di tomosintesi, in particolare di una Tomosintesi Mammaria Digitale (DBT), in cui la rete viene addestrata per ricostruire immagini 3D di alta qualità partendo da input incompleti o degradati. Nell'approccio ibrido proposto, si vuole inserire l'utilizzo di una rete convoluzionale a metà del processo di ricostruzione di una DBT iniziata dal metodo iterativo, in quanto consente di velocizzare il processo di generazione dei volumi, garantendo una diagnostica più rapida rispetto alla ricostruzione iterativa tradizionale, che richiede numerose iterazioni. Questo avviene senza compromettere al contempo la qualità e la risoluzione dei dettagli contenuti nel volume generato, poiché la rete è in grado di ricostruire immagini 3D dettagliate e prive di artefatti, anche partendo da volumi a bassa risoluzione o molto rumorosi. Si propone quindi l'addestramento supervisionato di un modello basato su un'architettura di una UNet 3D, che riceve in input volumi generati tramite poche iterazioni di un metodo iterativo. L'obiettivo è ottenere volumi che siano il più visibilmente simili a quelli generati dopo numerose iterazioni del metodo iterativo, preservando al contempo la qualità dei dettagli anatomici.