Strategie Plug-and-Play per la ricostruzione tomografica bidimensionale

Il presente lavoro di tesi analizza l'efficacia del paradigma Plug-and-Play (PnP) nella ricostruzione di immagini per la Tomografia Computerizzata (CT), con particolare attenzione agli scenari di Sparse-view CT. L'obiettivo principale è superare i limiti dei metodi analitici tradizionali, come la Total Variation (TV), integrando il rigore dei modelli fisici con la potenza espressiva dei prior appresi tramite Deep Learning. La ricerca si focalizza sull'integrazione di denoiser pre-addestrati (DnCNN e DRUNet) all'interno dell'algoritmo di ottimizzazione Proximal Gradient Descent (PGD). Attraverso una solida campagna sperimentale condotta sul dataset sintetico COULE, sono stati simulati diversi regimi di campionamento (180, 90 e 60 proiezioni) per valutare la robustezza dei modelli in condizioni di Low-Dose CT. I risultati evidenziano come l'approccio PnP-DRUNet sia il più performante, raggiungendo valori di SSIM superiori a 0.92 anche nel sottocampionamento più estremo, garantendo una nitidezza strutturale e una rimozione degli artefatti da striatura decisamente superiore ai metodi classici. Il lavoro include inoltre un confronto critico con l'approccio Unfolded (Learned Primal-Dual). Sebbene i metodi unrolled dimostrino una precisione numerica superiore nelle metriche puntuali (PSNR e MSE), il paradigma PnP si distingue per una migliore conservazione della coerenza globale dell'immagine e una maggiore stabilità visiva. In conclusione, lo studio dimostra che l'approccio Plug-and-Play rappresenta una soluzione d'avanguardia per l'imaging medicale di nuova generazione, coniugando interpretabilità algoritmica, flessibilità e alta qualità diagnostica a fronte di una ridotta esposizione radiologica per il paziente.