Analýza rentgenových snímků za účelem odstranění rušivých artefaktů v bezpečnostních aplikacích

Abstract

Práce se zabývá problematikou dekompozice složeného rentgenového obrazu, na kterém jsou společně přítomny jak klíčové informační složky, tak složky šumu. Cílem je pomocí technik hlubokého učení přítomné rušivé artefakty ve formě opakujících se jevů na pozadí odstranit, přičemž klást důraz na precizní zachování informačních složek obsažených v obraze. K docílení byla použita konvoluční neuronová síť U-Net a její vylepšené varianty, které dominují především v odvětví segmentace obrazu. Společně byly také natrénovány a porovnány konkurenční modely dosahující výborných výsledků odstraňování šumu z obrazu. Práce představuje novou metodu, která byla srovnána s nejmodernějšími architekturami a ve výsledcích objektivně i subjektivně významně překonala na stejné datové sadě všechny porovnávané.This work deals with the issue of the decomposition of a composite X-ray image, on which both key informational and noise components are present simultaneously. The goal is to remove the present disturbing artifacts as repeating phenomena in the background using deep learning techniques while emphasizing the precise preservation of the informational components contained in the image. To achieve this, the convolutional neural network U-Net and its improved versions, which dominate especially in image segmentation, were used. Competitive models achieving excellent results at image-denoising tasks were also trained and compared. This work proposes a novel method, which was compared with the most modern architectures on the same dataset, and which, in the results, objectively and subjectively significantly surpassed all of them.