EDCNN : Réseau à connexions denses basé sur l'amélioration des bords avec une perte composée pour le débruitage en tomographie par rayons X à faible dose

Au cours des dernières décennies, afin de réduire le risque associé aux rayons X dans la tomographie par ordinateur (TO), le débruitage des images en tomodensitométrie à faible dose a suscité un intérêt considérable de la part des chercheurs, devenant ainsi une question de recherche majeure dans le domaine des images médicales. Ces dernières années, avec le développement rapide des techniques d’apprentissage profond, de nombreux algorithmes ont vu le jour, appliquant les réseaux neuronaux convolutifs à cette tâche et obtenant des résultats prometteurs. Toutefois, des problèmes subsistent encore, tels qu’une efficacité de débruitage faible et des résultats excessivement lissés. Dans cet article, nous proposons un réseau neuronal convolutif à connexion dense basé sur l’amélioration des contours (EDCNN). Dans notre architecture, nous avons conçu un module d’amélioration des contours utilisant une nouvelle convolution de Sobel entraînable. En s’appuyant sur ce module, nous avons construit un modèle à connexions denses permettant de fusionner les informations de contours extraites et de réaliser un débruitage d’image en cascade (end-to-end). Par ailleurs, lors de l’entraînement du modèle, nous avons introduit une fonction de perte combinée, intégrant la perte MSE (erreur quadratique moyenne) et une perte perceptuelle à plusieurs échelles, afin de résoudre le problème du lissage excessif et d’obtenir une amélioration significative de la qualité des images après débruitage. Comparé aux algorithmes existants de débruitage des images en tomodensitométrie à faible dose, le modèle proposé présente des performances supérieures dans la préservation des détails tout en assurant une suppression efficace du bruit.