Approcci di deep learning per l’interpolazione delle proiezioni nella ricostruzione tomografica

Le analisi effettuate tramite tomografia computerizzata possono comportare numerosi rischi per i pazienti, a causa dell'elevato numero di proiezioni necessarie. Nonostante esistano tecniche per abbassare il quantitativo di proiezioni, esse presentano ancora numerosi difetti in termini di rumore e artefatti grafici. L'obiettivo di questa tesi consiste nella realizzazione, tramite reti neurali, di una tecnica di generazione artificiale di proiezioni, in grado di aumentare la quantità di proiezioni a disposizione, senza ulteriori rischi sul paziente. Si sono confrontati i risultati di due principali modelli, i quali differiscono per il numero di proiezioni in input. Sono quindi stati riportati i risultati ottenuti con metodologie naive note in letteratura, poi confrontati con i risultati acquisiti tramite reti neurali. Le metriche riportate mostrano un significativo miglioramento della qualità delle ricostruzioni, rispetto alle originali, raggiungendo un livello di dettaglio significativamente più vicino all'oggetto reale. Queste implementazioni mostrano un potenziale significativo per l'utilizzo di queste tecnologie nelle architetture tomografiche moderne.