CI Cervical LBC
Confronto di metodi di deblurring e denoising su immagini di citologia cervicale Liqui-Prep (LBC) del dataset Mendeley.
962
Immagini elaborate
24.68 dB
Best PSNR (DiffPIR)
0.664
Best SSIM (DiffPIR)
3
Metodi confrontati
Descrizione del Progetto
CI Cervical LBC affronta il problema inverso del recupero di immagini ad alta qualità a partire da osservazioni degradate (sfocatura Gaussiana + rumore AWGN) su immagini di citologia cervicale Liqui-Prep (LBC).
Sviluppato per il corso di Computational Imaging (Università di Bologna, Prof. Picciolomini & Evangelista), confronta tre approcci: Total Variation (TV), UNet end-to-end, e DiffPIR generativo basato su diffusione.
Confronto qualitativo tra TV, UNet e DiffPIR
Tecnologie Utilizzate
| Componente | Tecnologia | Versione |
|---|---|---|
| Linguaggio | Python | 3.10+ |
| Deep Learning | PyTorch | 2.x |
| Diffusione | DiffPIR | custom |
| Ottimizzazione | Total Variation | custom |
| Metriche | PSNR / SSIM | skimage |
Architettura e Metodi
📉 Total Variation (TV)
Metodo variazionale classico con minimizzazione di energia. Risolve il problema inverso con regolarizzazione L1 del gradiente. Buono per rumore moderato (σ=0.005 → PSNR 32.09 dB).
🧠 UNet
Rete neurale convoluzionale end-to-end con architettura encoder-decoder. Addestrata su coppie (degradata, pulita) con loss L2. Attualmente in fase di sviluppo.
🔄 DiffPIR
Metodo generativo basato su modelli di diffusione che supera significativamente TV (PSNR 24.68 dB vs 26.54 dB a σ=0.1). Eccelle nella ricostruzione di dettagli fini.
Risultati Comparativi
| σ rumore | TV (PSNR) | TV (SSIM) | DiffPIR (PSNR) | DiffPIR (SSIM) |
|---|---|---|---|---|
| 0.005 | 32.09 dB | 0.911 | 16.67 dB | 0.235 |
| 0.01 | 32.04 dB | 0.909 | 17.32 dB | 0.270 |
| 0.05 | 30.42 dB | 0.837 | 22.49 dB | 0.512 |
| 0.1 | 26.54 dB | 0.586 | 24.68 dB | 0.664 |
TV eccelle a basso rumore, DiffPIR recupera meglio ad alto rumore grazie alla generazione di texture realistiche.
Prova il Progetto
Il codice sorgente è disponibile su GitHub. Include script per TV, UNet e DiffPIR, più notebook esplorativi.