بهبود واقع گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی

رادیوگرافی از جمله روش های تصویربرداری پزشکی است که با استفاده از اشعه ایکس به پزشکان در امر تشخیص صحیح بیماری ها کمک می کند. تنظیم نامناسب پارامترهای تیوب اشعه ایکس، انواع آرتیفکت ها و نویزها عواملی هستند که بر روی کیفیت تصاویر رادیوگرافی تاثیر می گذارند. در مواردی ممکن است آن چنان کیفیت تصاویر را خراب کنند که نیاز به تصویربرداری مجدد باشد و این امر باعث می شود دز دریافتی بیمار افزایش یابد. امروزه هوش مصنوعی پیشرفت های چشمگیری را در زمینه های مختلف داشته است. یادگیری عمیق یکی از شاخه های هوش مصنوعی است که به طور گسترده در تصویربرداری های پزشکی مورد استفاده قرار می گیرد. در این مقاله از شبکه مولد تخاصمی به عنوان یکی از قدرتمندترین مدل های شبکه عصبی موجود، برای بهبود رزولوشن، کاهش نویز و آرتیفکت تصاویر رادیوگرافی قفسه سینه استفاده شده است. مقدار کمیت های RMSE، PSNR و SSIM برای 150 تصویر محاسبه گردیده است که میانگین آن ها به ترتیب برابر 66/4، 92/34 و 923/0 است. این نتایج نشان می دهد که شبکه آموزش داده شده از توانایی بالایی برای بازسازی تصاویر برخوردار است و این قابلیت را دارا است که رزولوشن تصاویر رادیوگرافی قفسه سینه را بهبود دهد و آن ها را از لحاظ تشخیصی ارزشمندتر کند. همچنین در مواردی که کیفیت تصاویر به هر دلیلی پایین باشد، نیاز به تصویربرداری مجدد نخواهد بود و بیمار دز اضافی ناشی از تصویربرداری مجدد دریافت نمی کند.