ETD

• computed tomography
• deep learning
• denoising
• generative adversarial networks
• low-dose computed tomography
• medical imaging
• reti generative avversarie
• swin transformer
• tomografia computerizzata
• vision transformer

Computed Tomography (CT) is a fundamental imaging modality in modern diagnostics, due to its high spatial resolution providing detailed anatomical information. However, the use of ionizing radiation requires the optimization of acquisition protocols according to the ALARA principle, reducing the dose delivered to the patient without compromising diagnostic quality. In this context, Low-Dose Computed Tomography (LDCT) represents an important strategy to limit radiation exposure, although it leads to increased noise and possible degradation of anatomical details, making advanced denoising techniques necessary.
This thesis evaluates the use of Generative Adversarial Networks (GANs) to generate high-quality CT images from low-dose CT images through supervised transformation from LDCT to Normal-Dose CT (NDCT). Three GAN-based architectures were implemented and compared: a convolutional WGAN-VGG, a hybrid CNN-Vision Transformer model based on global attention mechanisms, and a hybrid Swin encoder-decoder model based on local window attention. The study was conducted on abdominal CT images from 50 patients of the public TCIA/Mayo Clinic dataset, using a patient-wise split.
The evaluation included quantitative metrics, namely PSNR, SSIM and RMSE, integrated with qualitative analyses, error maps, intensity profiles and local analyses on clinical ROIs in the presence of lesions. The results showed an overall improvement in image quality compared with the original LDCT images, with the best performance achieved by the hybrid Swin model, which provided the most effective balance between noise reduction and preservation of anatomical details. Future studies on larger datasets, real LDCT images and dedicated radiological evaluations will be necessary to confirm the robustness and clinical applicability of the proposed approach.

La Tomografia Computerizzata (TC) rappresenta una metodica fondamentale nella diagnostica moderna, grazie alla sua elevata risoluzione spaziale che permette di fornire immagini dettagliate delle strutture anatomiche. Tuttavia, l’impiego di radiazioni ionizzanti rende necessario ottimizzare i protocolli di acquisizione secondo il principio ALARA (As Low As Reasonably Achievable), riducendo la dose erogata al paziente senza compromettere la qualità diagnostica. In questo contesto, la Low-Dose Computed Tomography (LDCT) costituisce una soluzione rilevante per limitare l'esposizione radiologica, ma comporta un incremento del rumore e una possibile degradazione dei dettagli anatomici, rendendo necessario lo sviluppo di tecniche avanzate di denoising.
Il presente lavoro si propone di valutare l’impiego di Generative Adversarial Networks (GAN) per generare immagini TC ad alta qualità a partire da immagini TC a bassa dose, tramite trasformazione supervisionata da LDCT a Normal-Dose CT (NDCT). Sono state implementate e confrontate tre architetture GAN-based: una WGAN-VGG convoluzionale, un modello ibrido CNN-Vision Transformer, basato su meccanismi di attenzione globale, e un modello ibrido Swin encoder-decoder, fondato su attenzione locale a finestre. Lo studio è stato condotto su immagini TC addominali di 50 pazienti del dataset TCIA/Mayo Clinic, con suddivisione patient-wise.
La valutazione ha incluso metriche quantitative PSNR, SSIM e RMSE, integrate con analisi qualitative, mappe di errore, profili di intensità e analisi locali su ROI cliniche in presenza di lesioni.
I risultati ottenuti mostrano un miglioramento complessivo della qualità delle immagini rispetto alle LDCT di partenza, con prestazioni più elevate per il modello ibrido Swin, che ha mostrato il miglior compromesso tra riduzione del rumore e preservazione dei dettagli anatomici.
Studi futuri su dataset più ampi, immagini LDCT reali e valutazioni radiologiche saranno necessari per confermare robustezza e applicabilità clinica.