Deep Image Prior Vincolato per la Ricostruzione Tomografica a Proiezioni Limitate

La Tomografia Computerizzata a raggi X produce misurazioni indirette della struttura interna dell'oggetto esaminato, e la ricostruzione dell'immagine a partire da questi dati costituisce un problema inverso mal posto, la cui risoluzione richiede tecniche di regolarizzazione adeguate. I metodi supervisionati basati sul Deep Learning hanno mostrato risultati eccellenti in questo contesto, ma dipendono dalla disponibilità di grandi dataset con immagini di riferimento affidabili, difficili da ottenere in ambito medico senza esporre il paziente a dosi di radiazioni inaccettabili. In questo lavoro viene applicato alla ricostruzione tomografica 2D il metodo cDIP-RED, proposto da Cascarano et al., che si inserisce nel framework del Deep Image Prior (DIP). A differenza dei metodi supervisionati, l'approccio DIP non richiede alcun dataset di addestramento, poiché i pesi della rete neurale vengono ottimizzati direttamente sull'immagine da ricostruire. Il metodo cDIP-RED riformula il problema di ottimizzazione come un problema vincolato secondo il principio di discrepanza di Morozov, eliminando la necessità di determinare manualmente il parametro di regolarizzazione e rendendo il metodo robusto rispetto alla scelta del numero di iterazioni, criticità tipica del DIP classico basato sull'early stopping. Il lavoro si basa su una implementazione del metodo cDIP-RED applicata alla ricostruzione di immagini tomografiche 2D in condizioni di dati limitati, di cui vengono discussi i risultati sperimentali a confronto con il metodo classico Filtered Back-Projection.