Potlačení artefaktů způsobených přítomností kovů v dentálních CT snímcích

Abstract

Artefakty způsobené přítomností kovů v snímcích výpočetní tomografie mohou ovlivnit jejich čitelnost a způsobit komplikace při rozhodování lékařských profesionálů. V posled- ních letech metody založené na hlubokém učení zaznamenaly při řešení tohoto problému značný úspěch v porovnaní oproti klasickým specializovaným metodám. V této práci byly implementovány a vyzkoušeny dva modely neuronových sítí (Autoencoder, U-Net), spo- lečně s lepším způsobem pro generovaní syntetické datové sady, která je v daném případě přirozeně nemožná vytvořit. Bylo dosaženo výsledků hodnotících metrik (PSNR, SSIM) porovnatelných s jinými nejmodernějšími přístupy, zatímco byly sníženy požadavky pro po- třebná předzpracovaná data, která je obtížné získat. Tento obecnější přístup umožňuje širší a jednodušší použití bez nutnosti specifického kontrolovaného prostředí.Artifacts caused by the presence of metals in computed tomography scans impact their readability and can cause problems when making decisions for medical professionals. In recent years, deep learning-based methods have seen considerable success in solving this problem, compared to older hand-crafted solutions. In this work, two supervised neural network models (Autoencoder, U-net) are implemented, along with a better way to solve the problem of creating a synthetic dataset, as otherwise in this case it is naturally impossible to obtain. The results in evaluation metrics (PSNR, SSIM) achieved are on par with those of state-of-the-art solutions while reducing the need for prerequisites that are complicated to prepare. This generalized solution enables a broader and easier application without needing a specific controlled environment.