Denoising Diffusion Models nella ricostruzione di immagini tomografiche

In questa tesi vengono analizzate le reti generative, con particolare attenzione ai modelli diffusivi applicati alla generazione e ricostruzione di immagini tomografiche dentali. È stato implementato un sistema capace di generare immagini realistiche, sfruttando un approccio innovativo e un dataset personalizzato. L’obiettivo principale del lavoro è esplorare il potenziale dei modelli diffusivi nel settore dell’imaging medico, evidenziando il loro contributo nel migliorare la qualità delle immagini diagnostiche, anche in condizioni di dati parziali o degradati. La tesi include un’analisi approfondita del modello adottato, una valutazione delle immagini generate e l’applicazione di queste tecniche nella ricostruzione di immagini tomografiche di alta qualità a partire dai rispettivi sinogrammi rumorosi. Per la fase di ricostruzione è stato utilizzato l’algoritmo DiffPIR, un metodo avanzato basato su modelli diffusivi, che consente di risolvere problemi inversi sfruttando la generazione di immagini condizionata. Questo approccio si è rivelato particolarmente efficace nella ricostruzione di immagini tomografiche in presenza di rumore e perdita di informazione. I risultati sperimentali confermano l’efficacia dell’approccio proposto e sottolineano come l’intelligenza artificiale, e in particolare le tecniche generative, possano offrire strumenti innovativi per supportare la diagnostica per immagini, aprendo nuove prospettive di ricerca e sviluppo in ambito medico.