مروری بر روش های مبتنی بر هوش مصنوعی جهت کاهش نوفه[۱] در تصاویر توموگرافی انتشار با دوز پایین ۱. Noise

توموگرافی انتشار (ET) شامل PET و SPECT، ابزاری کلیدی در تصویربرداری پزشکی است که اطلاعات عملکردی دقیقی از فرآیندهای زیستی بدن را فراهم می کند. کاهش دوز تابش برای حفظ ایمنی بیمار، به افزایش نوفه و افت کیفیت تصویر منجر می شود که تفسیر بالینی را دشوار و دقت تشخیص را کاهش می دهد. مسئله اصلی این مقاله، افت کیفیت تصاویر در شرایط دوز پایین به دلیل نوفه ناشی از فرآیند شمارش فوتون ها و محدودیت تابش است. هدف، بررسی روش های مبتنی بر هوش مصنوعی برای کاهش نوفه و بهبود کیفیت تصاویر در این شرایط است. در این راستا، سه رویکرد نظارت شده، بدون نظارت و چندمدالیته بررسی شده اند. روش های نظارت شده مانند U-Net و GAN نتایج قابل توجهی ارائه کرده اند، و رویکردهای بدون نظارت و چندمدالیته نیز به ویژه در مواجهه با کمبود داده، عملکرد موثری داشته اند. این بررسی نشان می دهد که الگوریتم های هوش مصنوعی، با وجود چالش هایی نظیر نوفه بالا و نبود داده های مرجع، قابلیت بالایی در بهبود کیفیت تصاویرپزشکی با دوز پایین دارند.

کلیدواژه ها:

هوش مصنوعی ، کاهش نوفه ، توموگرافی انتشار با دوز پایین ، بهبود کیفیت تصویر ، یادگیری نظارت شده