مروری بر روش‌های مبتنی بر هوش مصنوعی جهت کاهش نوفه[1] در تصاویر توموگرافی انتشار با دوز پایین 1. Noise

نویسندگان

1 دانشگاه شیراز

2 دانشگاه آزاد اسلامی

3

4

doi
10.22034/csj.2025.233061
چکیده

توموگرافی انتشار (ET) شامل PET و SPECT ، ابزاری کلیدی در تصویربرداری پزشکی است که اطلاعات عملکردی دقیقی از فرآیندهای زیستی بدن را فراهم می‌کند. کاهش دوز تابش برای حفظ ایمنی بیمار، به افزایش نوفه و افت کیفیت تصویر منجر می‌شود که تفسیر بالینی را دشوار و دقت تشخیص را کاهش می‌دهد. مسئله اصلی این مقاله، افت کیفیت تصاویر در شرایط دوز پایین به‌دلیل نوفه ناشی از فرآیند شمارش فوتون‌ها و محدودیت تابش است. هدف، بررسی روش‌های مبتنی بر هوش مصنوعی برای کاهش نوفه و بهبود کیفیت تصاویر در این شرایط است. در این راستا، سه رویکرد نظارت‌شده، بدون‌ نظارت و چندمدالیته بررسی شده‌اند. روش‌های نظارت‌شده مانند U-Net و GAN نتایج قابل‌توجهی ارائه کرده‌اند، و رویکردهای بدون‌نظارت و چندمدالیته نیز به‌ویژه در مواجهه با کمبود داده، عملکرد مؤثری داشته‌اند. این بررسی نشان می‌دهد که الگوریتم‌های هوش مصنوعی، با وجود چالش‌هایی نظیر نوفه بالا و نبود داده‌های مرجع، قابلیت بالایی در بهبود کیفیت تصاویرپزشکی با دوز پایین دارند.