Aplicación de modelos generativos de inteligencia artificial a la reconstrucción de imágenes tomográficas

Abstract

Este trabajo está situado en el contexto de la tomografía muónica, una técnica no destructiva que permite obtener imágenes de objetos sin necesidad de dañarlos o de tener acceso directo a ellos, y de las redes neuronales, un modelo de aprendizaje automático que ha adquirido mucha popularidad en los últimos años y cuyo funcionamiento se inspira en el funcionamiento del sistema nervioso de los animales. El proyecto que aquí se desarrolla tiene como objetivo principal comprobar la viabilidad de un modelo concreto de red neuronal, la U-Net, para la eliminación de ruido y de artefactos en las imágenes que se obtienen en tomografía muónica, en concreto de tuberías de gas. Para ello se realizaron simulaciones de las tuberías y se obtuvieron las imágenes partiendo de un algoritmo de reconstrucción clásico que luego se le proporcionaron a la U-Net para que las mejore. En base a los resultados obtenidos este modelo empleado puede ser útil para visualizar la tubería, pero no si se quieren obtener detalles de la misma tales como su grosor o el material del que está compuesta.

This work is framed in the context of muon tomography, a non-destructive technique that enables obtaining images of objects without damaging them or requiring direct access, and neural networks, a machine learning model that has gained a lot of popularity in the past few years and whose functioning is inspired by the functioning of animal nervous systems. The main objective of the project developed here is to test the feasibility of a specific neural network model, the U-Net, for noise and artifact elimination in images obtained from muon tomography, specifically of gas pipelines. To achieve this, simulations of the pipelines were performed, then a classical reconstruction algorithm was used to obtain the images that were later provided to the U-Net for enhancement. Based on the results obtained, this model can be useful for visualizing the pipeline, but not for obtaining specific details such as its thickness or the material it’s made of.