Escolar Documentos
Profissional Documentos
Cultura Documentos
Self Attention
Nathalia dos Santos1
1
Universidade Federal do Agreste de Pernambuco (UFAPE)
nathysantos1516@gmail.com
Abstract.
Resumo.
1. Introdução
A Tomografia Computadorizada (CT, do inglês Computed Tomography) é uma tecnologia
fundamental para o diagnóstico por imagens na área médica. Através de exames CT é
possı́vel gerar imagens tridimensionais que contem a representação das estruturas internas
de um corpo. Tal modelo é reconstruı́do a partir de medidas captadas por feixes de raio-X
irradiados em direção ao paciente em vários ângulos a partir de uma revolução completa
de 360 graus gerando assim um sinograma.
Entretanto, as doses de radiação ionizante (raio-X) utilizadas para diagnóstico
e tratamento que utilizam CT, agridem de forma intensificada a saúde dos pacientes, e
agredindo ainda mais grave os pacientes que precisam realizar esse tipo de exame recor-
rentemente.
Com o objetivo de reduzir tais danos ao paciente, a captura de imagens de CT com
baixa dose de radiação (LDCT, Low Dose Computed Tomography) é uma abordagem
amplamente estudada. Ao diminuir a dose de radiação as novas imagens passam a ter
ruı́dos advindos da baixa captura de fótons da imagem final. A perca de qualidade da
imagem afeta severamente a acurácia do diagnóstico do paciente, especialmente lesões
em pequenas áreas. Dessa forma, é um desafio obter imagens LDCT com uma qualidade
similar a CT.
Em paralelo, métodos de aprendizagem profunda (DL) provaram fornecer mel-
hor desempenho em muitos aplicativos baseados em imagem e têm atraı́do mais e mais
atenção no campo de imagem médica. Existem alguns estudos que abordam a recuperação
das imagens com CNN 3D [Yang et al. 2018], 2D [Chen et al. 2017], Encoder-Decoder
CNN [Yang et al. 2020] as quais conseguiram um grande avanço na área de processa-
mento de imagens. No entanto, tais métodos têm uma baixa utilização de recursos porque
eles simplesmente aumentam as camadas convolucionais ou empilhamento módulos para
melhorar o desempenho da rede. Além disso, o recursos de extração de recursos da CNN
são restritos pelo conjunto de dados, recursos de hardware e tempo de execução. A rede
pode alcançar melhores resultados apenas com grandes conjuntos de dados, camadas de
rede profundas, e grande número de iterações.
Para resolver os problemas acima, [Goodfellow et al. 2014] et al,. propuseram um
rede contraditória generativa não supervisionada (GAN) composta de duas partes: gerador
e discriminação. Através do jogo de confronto, a parte geradora cria imagens para a dis-
criminadora classificar como falsa ou não. Nos últimos anos muitas redes GANs foram
propostas para o campo de imagens LDCT ruidosas, como as Redes Neurais Generativas
Adversárias Condicionais (cGANs, Conditional Generative Adversarial Networks) a qual
foi recentemente aplicadas para recuperação de LDCT [Wolterink et al. 2017], de forma
que a parte geradora da rede tentava gerar uma imagem sem ruı́do e a adversária clas-
sificava a imagem como verdadeira ou não, dessa forma ambas aprendiam os dados em
conjunto até o ponto em que a geradora criava imagens tão perfeitas que era impossı́vel
saber se era uma CT ou LDCT melhorada.
[Chi et al. 2020], propõe uma LSGAN a qual incorpora mapa residual a redes U-
net para diminuir eficientemente ruı́dos de imagens médicas, [Yang et al. 2020] aprimora
o modelo da GAN para LDCT e multi-canais end-to-end generador além de ruı́dos e a
técnica de attention são adicionados para aprimorar a habilidade da rede de extrair ruı́do.
Esse trabalho se propõe a apresentar lacunas e correlações no estudo corrente
através de uma revisão sistemática da literatura.
3.1.2. Objetivo
O objetivo desta revisão é identificar e catalogar qual a melhor arquitetura existente para
remoção de ruı́dos em imagens médicas utilizando redes generativas adversárias.
3.1.3. Questão de Pesquisa
A questão a ser respondida ao final deste trabalho é: Questão: Qual melhor arquitetura
GANs para remoção de ruı́do de imagens médicas LDCT?
A palavras chaves utilizadas para definir a string de busca nas bases são: GANs, Gener-
ative Adversarial Networks, self attention, computed tomography, low dose CT, LDCT,
deep learning, noise, denoising.
Para fazer a busca literária foi definida uma string de busca em fontes selecionadas pela
importância das publicações para fomentar o estudo abrangente sobre o tema. A condução
do trabalho é documentada e discutida ao decorrer do documento. Por fim são apresentada
as considerações finais dos dados analisados e discutidos. As bases de conhecimento
escolhidas foram ACM, IEEE Xplore e Scopus, com as palavras chaves estratégicas para
busca usando operadores lógicos e definir uma expressão que retornaria o máximo de
estudos de forma direcionada e com o auxı́lio da ferramenta StArt foram importados os
.bibs dos artigos retornadas nas bases citadas para seleção dos trabalhos.
References
Chen, H., Zhang, Y., Zhang, W., Liao, P., Li, K., Zhou, J., and Wang, G. (2017). Low-dose
ct via convolutional neural network. Biomed. Opt. Express, 8(2):679–694.
Chi, J., Wu, C., Yu, X., Ji, P., and Chu, H. (2020). Single low-dose ct image denoising
using a generative adversarial network with modified u-net generator and multi-level
discriminator. IEEE Access, 8:133470–133487.
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S.,
Courville, A., and Bengio, Y. (2014). Generative adversarial networks.
Wolterink, J. M., Leiner, T., Viergever, M. A., and Išgum, I. (2017). Generative adver-
sarial networks for noise reduction in low-dose ct. IEEE Transactions on Medical
Imaging, 36(12):2536–2545.
Yang, L., Shangguan, H., Zhang, X., Wang, A., and Han, Z. (2020). High-frequency sen-
sitive generative adversarial network for low-dose ct image denoising. IEEE Access,
8:930–943.
Yang, Q., Yan, P., Zhang, Y., Yu, H., Shi, Y., Mou, X., Kalra, M. K., Zhang, Y., Sun,
L., and Wang, G. (2018). Low-dose ct image denoising using a generative adversarial
network with wasserstein distance and perceptual loss. IEEE Transactions on Medical
Imaging, 37(6):1348–1357.