Dual-Domain Tensor Denoising (DuTD), yalnız nəzəri minimum olan altı diffuziya istiqamətindən əldə edilən diffuziya tenzoru görüntüləmə məlumatlarını həm görüntü sahəsində, həm də diffuziya tenzorunun fiziki parametr sahəsində eyni vaxtda səs-küydən təmizləmək üçün hazırlanmış iki-sahəli dərin öyrənmə üsuludur. Tədqiqatın məqsədi çoxsaylı diffuziya istiqamətlərinin təmin edə bildiyi daha etibarlı DTI parametr qiymətləndirilməsini və lif izlənməsini yalnız altı istiqamətli giriş məlumatından mümkün qədər yüksək dəqiqliklə yenidən əldə etməkdir. DuTD-də görüntü-denoising şəbəkəsi IDNet DWI görüntülərindəki anatomik və struktur məlumatını emal edərkən; TDNet altı istiqamətli məlumatdan qiymətləndirilmiş diffuziya tenzorundakı fiziki su diffuziyası nümunəsini emal edir. İki qolun çıxışı yenidən görüntü sahəsində birləşdirilir. Human Connectome Project məlumatlarında DuTD müqayisə edilən tMPPCA, CTNet və DeepDTI üsullarından daha aşağı PDD, FA, AD, MD və RD xətaları bildirmiş; Parkinson xəstə məlumatlarında xüsusilə MD və RD üçün üstünlük göstərmişdir. Bununla belə, tədqiqat preprintdir, həmyaşıd qiymətləndirməsindən keçməmişdir və altı istiqamətdən istifadənin real klinik skan müddətini konkret dəqiqə və ya faiz nisbətində azaltdığını birbaşa ölçməmişdir.

DTI ağ maddə kimi istiqamətli mikrostrukturlarda su molekullarının müxtəlif istiqamətlərdə nə dərəcədə hərəkət etdiyini ölçərək toxuma mikrostrukturu haqqında məlumat verən qeyri-invaziv MRI üsuludur. Diffuziya tenzoru simmetrik 3×3 matrislə təmsil olunur və altı müstəqil parametr ehtiva edir. Buna görə riyazi baxımdan tenzoru həll etmək üçün ən azı altı müstəqil diffuziya istiqaməti lazımdır. Bununla belə, praktik MRI tədqiqatlarında daha yüksək siqnal-səs-küy dayanıqlığı və daha etibarlı parametr qiymətləndirilməsi üçün 30, 64 və ya daha çox istiqamətdən istifadə edilə bilər. Mənfi tərəfi odur ki, daha çox istiqamət daha uzun məlumat toplama müddəti tələb edir.

DuTD-nin əsas ideyası səs-küyün yalnız görüntüdəki piksel pozuntusu kimi nəzərdən keçirilməməsidir. Diffuziya tenzoru toxumadakı su molekullarının fiziki hərəkət quruluşunu ehtiva edir. Buna görə səs-küylü görüntüdən hesablanan tenzorun da təmizlənməsi anatomik görüntü məlumatının fiziki diffuziya məlumatı ilə birlikdə istifadə olunmasına imkan verir. Tədqiqatdakı “dual-domain” ifadəsi məhz bu iki təmsil səviyyəsinə uyğun gəlir.

HCP testlərində təmsilçi tək-istiqamətli DWI nümunəsində mənbənin Şəkil 7-sində xam görüntü üçün PSNR 32,17 dB, tMPPCA üçün 34,29 dB, CTNet üçün 36,77 dB, DeepDTI üçün 37,09 dB və DuTD üçün 37,94 dB göstərilir. Bütün-beyin test dəstindəki 1.260 DWI görüntüsünün paylanma analizində də müəlliflər DuTD-nin daha yüksək median PSNR və daha sıx SSIM paylanması verdiyini bildirirlər.

DTI Niyə Ən Azı Altı Diffuziya İstiqaməti Tələb Edir?

Diffuziya tenzoru simmetrik 3×3 matris olduğuna görə üç diaqonal və üç müstəqil çarpaz termin olmaqla cəmi altı müstəqil əmsal ehtiva edir; buna görə tenzoru həll etmək üçün nəzəri olaraq ən azı altı müstəqil diffuziya istiqamətindən ölçmə tələb olunur. Daha çox istiqamət isə tənlik sistemini əlavə nümunələyərək səs-küyə qarşı dayanıqlılığı və parametr qiymətləndirilməsinin sabitliyini artıra bilər, lakin MRI məlumat toplama müddətini də uzadır.

Bir pikseldəki diffuziya-çəki siqnalı mənbədə aşağıdakı modellə ifadə olunur:

\[ S_q(p)=S_0(p)\exp\left[-b\,\mathbf{a}_q^{T}\mathbf{D}(p)\mathbf{a}_q\right]+n_q(p) \]

Burada \(S_q(p)\), \(q\). diffuziya istiqamətində \(p\). pikselin ölçülmüş siqnalıdır. \(S_0(p)\), \(b=0\) halında diffuziya çəkisi tətbiq edilməmiş istinad siqnalıdır. \(\mathbf{a}_q\), tətbiq olunan diffuziya qradiyentinin istiqamət vektorudur. \(\mathbf{D}(p)\), pikseldəki diffuziya tenzorudur və \(n_q(p)\) mənbədə Rician səs-küyü kimi modelləşdirilir.

Mənbə \(b\)-dəyərini qradiyent gücü və zamanlamasından asılı olaraq belə müəyyən edir:

\[ b=\gamma^2\int_0^{TE} \left[ \int_0^t G(t')\,dt' \right]^2dt \]

\(\gamma\) giromaqnit nisbətini, \(G(t)\) diffuziya qradiyentinin zaman üzrə davranışını ifadə edir. Bu quruluş görüntüdəki siqnal itkisinin yalnız təsadüfi kontrast dəyişikliyi olmadığını; tətbiq olunan qradiyentlə toxumadakı istiqamətli su diffuziyasının riyazi qarşılıqlı təsirindən yarandığını göstərir.

Diffuziya tenzoru

Mənbədə diffuziya tenzoru aşağıdakı simmetrik matrislə göstərilir:

\[ \mathbf{D}(p)= \begin{bmatrix} D_{xx}(p) & D_{xy}(p) & D_{xz}(p)\\ D_{xy}(p) & D_{yy}(p) & D_{yz}(p)\\ D_{xz}(p) & D_{yz}(p) & D_{zz}(p) \end{bmatrix} \]

Altı müstəqil əmsal:

\[ \mathbf d(p)= [D_{xx},D_{yy},D_{zz},D_{xy},D_{xz},D_{yz}]^T \]

şəklində vektorlaşdırıla bilər. Diffuziya istiqamətlərinə əsasən yaradılan dizayn matrisi ilə loqarifmik siqnal modeli:

\[ \mathbf y=\mathbf G\mathbf d+\mathbf z \]

formasına endirilir.

Mənbə Rician görüntü səs-küyünün loqarifmik çevrilmədən sonra yüksək SNR fərziyyəsi altında təxminən Gaussian davranışı göstərə bilməsini aşağıdakı yanaşma ilə əsaslandırır:

\[ z_q(p)= \ln\left(1+\frac{n_q(p)}{S_q(p)}\right) \approx \frac{n_q(p)}{S_q(p)} \]

Bu yanaşma altında diffuziya tenzoru parametrləri üçün geniş istifadə olunan ən kiçik kvadratlar qiymətləndirilməsi:

\[ \min_{\mathbf d}\|\mathbf y-\mathbf G\mathbf d\|_2 \]

şəklində yazılır. Mənbə Tənlik 5-in ətraflı əsaslandırılması üçün “Appendix A”ya istinad edir; lakin yüklənmiş 10 səhifəlik PDF daxilində Appendix A yoxdur. Buna görə əlavə törəmə mənbədə mövcud imiş kimi yenidən qurulmamalıdır.

FA, MD, AD və RD nəyi təmsil edir?

Diffuziya tenzorunun özqiymətləri DTI-nin geniş istifadə olunan kəmiyyət parametrlərinin hesablanmasına imkan verir.

Bu bioloji şərhlər təkbaşına diaqnoz qoyan göstəricilər deyil. Tədqiqatın məqsədi bu parametrlərin altı istiqamətli DTI-dən daha dəqiq qiymətləndirilməsini təmin etməkdir; Parkinson xəstəliyini DuTD-dən istifadə etməklə diaqnoz etmək deyil.

Miyelin və istiqamətli su diffuziyası

Mənbənin 3-cü səhifəsindəki Şəkil 3 sinir hüceyrəsində miyelin zədəsi artdıqca su diffuziyasının istiqamətli anizotropiyasının azalmasını konseptual şəkildə göstərir. Şəkil BioGDP ilə çəkilmiş izahlı biotibbi diaqramdır; birbaşa histoloji görüntü və ya xəstədən götürülmüş mikroskopiya kimi şərh edilməməlidir.

Bu fiziki əlaqə DuTD-nin parametr-sahəsi qolunun əsaslandırılmasıdır. Səs-küylü və yüksək-SNR görüntülər arasında görüntü görünüşü dəyişsə belə, toxumanın əsas diffuziya fizikası eyni bioloji quruluşa bağlıdır. Müəlliflər bu fiziki məlumatdan əvvəlcədən bilik körpüsü kimi istifadə edirlər.

DuTD Nədir və İki-Sahəli Səs-küy Giderilməsi Necə İşləyir?

DuTD, DWI görüntülərini IDNet ilə görüntü sahəsində və bu görüntülərdən qiymətləndirilən diffuziya tenzorlarını TDNet ilə fiziki parametr sahəsində ayrı-ayrılıqda səs-küydən təmizləyib, təmizlənmiş tenzoru yenidən görüntü sahəsinə çevirərək iki nəticəni çəkili şəkildə birləşdirən iki-sahəli dərin öyrənmə arxitekturasıdır. Beləliklə, anatomik görüntü teksturası ilə su diffuziyasının fiziki tenzor quruluşu eyni yekun denoising qərarına töhfə verir.

Görüntü sahəsi: IDNet

IDNet-in vəzifəsi b=0 görüntüsünün və altı diffuziya istiqamətinin daşıdığı ortaq anatomik quruluşla istiqamətə xas siqnal xüsusiyyətlərindən istifadə edərək DWI görüntülərindəki səs-küyü azaltmaqdır.

Mənbədə IDNet girişinin b=0 görüntüsü ilə altı istiqamətli görüntü qrupunu ehtiva etdiyi bildirilir. Beləliklə, şəbəkə yalnız tək bir DWI kəsiyindən deyil, kanallar arasındakı struktur oxşarlıqlardan da yararlana bilər.

Parametr sahəsi: TDNet

TDNet-in girişi altı istiqamətli DTI-dən ən kiçik kvadratlar üsulu ilə hesablanan diffuziya tenzoru xəritəsidir. Buradakı məqsəd yalnız görüntü intensivliklərini deyil, toxumadakı su diffuziyasını təsvir edən altı tenzor komponentini təmizləməkdir.

TDNet-in səs-küydən təmizlədiyi tenzor daha sonra verilən altı diffuziya istiqamətində yenidən görüntü sahəsinə çevrilir.

İki sahənin birləşdirilməsi

Mənbənin Tənlik 7-sində son çıxış aşağıdakı çəkili birləşmə ilə müəyyən edilir:

\[ \mathcal I_{\text{output}} = (1-\lambda)\widehat{\mathcal I}^{D_6}_{6} + \lambda\mathcal I^{\widehat D_6}_{6} \]

\(\widehat{\mathcal I}^{D_6}_{6}\), IDNet tərəfindən görüntü sahəsində təmizlənmiş DWI qrupunu; \(\mathcal I^{\widehat D_6}_{6}\), TDNet tərəfindən təmizlənmiş tenzorun yenidən görüntü sahəsinə çevrilməsi ilə əldə olunan nəticəni; \(\lambda\) isə iki sahənin töhfəsini müəyyən edən çəki əmsalını ifadə edir.

Mənbə metod bölməsində \(\lambda\)-nın ədədi dəyərini göstərmir; buna görə dəyər uydurulmamalıdır.

IDNet və TDNet-in şəbəkə funksiyaları

Mənbə iki qolu oxşar DNet arxitekturaları ilə, lakin ayrı öyrənilə bilən çəkilərlə təsvir edir:

\[ \widehat{\mathcal I}^{D_6}_{6} = f_{\mathrm{DNet}} \left( \mathcal I^{D_6}_{6}\mid\Theta^I \right) \]

\[ \widehat D_6= f_{\mathrm{DNet}} \left( D_6\mid\Theta^D \right) \]

\(\Theta^I\) görüntü sahəsi şəbəkəsinin, \(\Theta^D\) isə tenzor sahəsi şəbəkəsinin çəkiləridir. Yəni iki qol arxitektura baxımından oxşar olsa da, eyni parametrləri paylaşan vahid şəbəkə deyil.

DNet arxitekturası

Mənbədə DNet beşqatlı U-formalı encoder–decoder arxitekturası kimi verilir. Klassik U-Net tipli strukturlardan mühüm fərqi odur ki, detalı qorumaq məqsədilə görüntü və xüsusiyyət xəritələri down-sampling tətbiq edilmədən tam rezolyusiyada emal olunur.

Skip Residual modulu

Skip Residual (SR) modulu dərin şəbəkələrdə gradient vanishing təsirini azaltmaq və b=0 görüntüsü ilə müxtəlif istiqamətlərdəki DWI kanallarının tamamlayıcı xüsusiyyətlərini birləşdirmək üçün istifadə olunur.

SR modulu iki convolution qatı ilə bir squeeze-and-excitation (SE) channel attention modulundan ibarətdir. Squeeze mərhələsində global pooling ilə hər kanalın qlobal məlumatı toplanır; excitation mərhələsində kanalların nisbi əhəmiyyətinə görə çəkilər yaradılır. Beləliklə, şəbəkə daha faydalı struktur məlumat daşıyan kanallara daha çox fokuslana bilər.

Niyə Görüntü və Tenzor Sahəsini Birlikdə İstifadə Etmək Tək Sahədən Daha Yaxşı Ola Bilər?

Görüntü sahəsi anatomik kənar, tekstura və intensivlik məlumatını güclü şəkildə daşıyarkən, tenzor sahəsi su diffuziyasının istiqamətli fiziki quruluşunu birbaşa təmsil edir; DuTD bu iki təmsilin bir-birini tamamladığı fərziyyəsi ilə hazırlanmışdır. Mənbənin ablasiya tədqiqatında görüntü və parametr sahələrinin birlikdə istifadə edildiyi təcrübələr tək-sahəli təcrübələrdən daha yüksək PSNR və SSIM dəyərləri vermişdir.

Məsələn, mənbənin Cədvəl 4-də SR modulu olmadan yalnız görüntü sahəsinin PSNR dəyəri 37,37±1,70 dB, yalnız parametr sahəsinin 36,51±1,78 dB, iki sahə birlikdə istifadə edildikdə isə 37,75±1,74 dB-dir.

SSIM dəyərləri müvafiq olaraq 0,9837±0,0066, 0,9808±0,0078 və 0,9849±0,0062 kimi verilmişdir. Bu nəticə məqalənin iki-sahəli töhfəsinə dair əsas ablasiya sübutudur.

Tədqiqatın Metodu və Nəticələri

HCP məlumat dəsti

HCP WU-Minn-Ox Consortium məlumatlarının b=0 və b=1000 s/mm² hissəsindən istifadə edilmişdir. Tədqiqatda 25 sağlam yetkinin məlumatlarından 20-si təlim, 5-i test üçün ayrılmışdır.

Mənbədə HCP məlumatlarının 3 T Siemens Skyra MRI sistemi və multiband diffusion sekansı ilə əldə edildiyi bildirilir.

Fon təsirləri skull mask ilə çıxarılmış və itki funksiyası ilə qiymətləndirmə metriklərinin hesablanmasına daxil edilməmişdir. Hər bütün-beyin məlumat dəsti öz maksimum intensivliyinə görə normallaşdırılmışdır.

Parkinson xəstə məlumat dəsti

Xüsusi Parkinson məlumat dəsti Shandong Provincial Hospital Affiliated to Shandong First Medical University-də 12 könüllü xəstədən toplanmışdır. Yaş aralığı 55–74-dür və mənbə etik komitənin təsdiq nömrəsini 2023-672 olaraq verir.

DICOM məlumatları MRIcron ilə NIfTI formatına çevrilmişdir. Skull stripping və eddy-current correction əməliyyatları FSL ilə aparılmış; skull stripping üçün fractional intensity threshold 0,4 olaraq verilmişdir.

Təlim detalları

Tenzor xəritələrinin ədədi böyüklüyü aşağı olduğuna görə təlim zamanı 1000 əmsalı ilə miqyaslandırılmış və denoising-dən sonra yenidən 1000-ə bölünərək normal amplituda səviyyəsinə gətirilmişdir.

Bütün üsullar CentOS 7 üzərində, ümumilikdə 24 nüvəli iki ədəd 2,2 GHz Intel Xeon CPU, 128 GB RAM və səkkiz Nvidia T4 GPU olan serverdə işlədilmişdir.

Qiymətləndirmə metrikləri

Tədqiqat performansı üç səviyyədə qiymətləndirir: görüntü keyfiyyəti, diffuziya parametr dəqiqliyi və neyron lif traktoqrafiyası.

PSNR

\[ PSNR= 10\log_{10} \left( \frac{MAX^2}{MSE} \right) \]

PSNR, denoised görüntünün istinada görə piksel xətasının siqnal miqyasına nisbətini loqarifmik olaraq ifadə edir. Yüksək dəyər daha aşağı xəta deməkdir.

MSE

\[ MSE= \frac{1}{IJ} \sum_{i=0}^{I-1} \sum_{j=0}^{J-1} \left\| X(i,j)-\widehat X(i,j) \right\|^2 \]

SSIM

\[ SSIM= \frac{ (2\mu_p\mu_q+C_1)(2\sigma_{pq}+C_2) }{ (\mu_p^2+\mu_q^2+C_1) (\sigma_p^2+\sigma_q^2+C_2) } \]

SSIM parlaqlıq, variasiya və kovariasiya əlaqələrindən istifadə edərək struktur oxşarlığını ölçür. Birə yaxınlaşması daha yüksək struktur oxşarlığı ifadə edir.

Diffuziya parametrləri üçün MAE

\[ MAE= \frac{1}{IJ} \sum_{i=0}^{I-1} \sum_{j=0}^{J-1} \left| Q(i,j)-\widehat Q(i,j) \right| \]

Aşağı MAE, FA, MD, AD və ya RD xəritəsinin istinad parametrinə daha yaxın olduğunu göstərir.

PDD bucaq xətası

\[ PDD= \frac{1}{IJ} \sum_{i=0}^{I-1} \sum_{j=0}^{J-1} \arccos \left| \mathbf v_1(i,j) \widehat{\mathbf v}_1^{T}(i,j) \right| \]

PDD xətası 0° ilə 90° arasındadır. Dəyərin 0°-yə yaxınlaşması hesablanan əsas diffuziya istiqamətinin istinad özvektoru ilə daha yaxşı hizalandığını göstərir.

Lif traktoqrafiyası üçün Dice əmsalı

\[ Dice= \frac{ 2|\mathcal T\cap\widehat{\mathcal T}| }{ |\mathcal T|+ |\widehat{\mathcal T}| } \]

\(\mathcal T\) istinad lif traktı xəritəsini, \(\widehat{\mathcal T}\) isə denoised məlumatla əldə edilən trakt xəritəsini təmsil edir. Daha yüksək Dice iki lif xəritəsi arasında daha böyük məkan örtüşməsinə uyğun gəlir.

HCP: Görüntü keyfiyyəti

Mənbənin 6-cı səhifəsindəki Şəkil 7-də tək-istiqamətli təmsilçi DWI kəsiyinin PSNR nəticələri belədir:

Bu dəyərlər tək bir təmsilçi görüntüyə aiddir. Tədqiqatın bütün-beyin test dəstində 1.260 DWI görüntüsü üçün hazırlanmış Şəkil 8 paylanmaları, müəlliflərin şərhinə görə, DuTD-nin ən yüksək median PSNR-ı və ən kompakt SSIM paylanmasını verdiyini göstərir.

HCP: Diffuziya parametr xətaları

Mənbənin cədvəlində PDD dərəcə ilə verilir; AD, MD və RD üçün vahid mm²/ms kimi göstərilir. Miqyas əmsalları cədvəldə göstərildiyi kimi qorunmuşdur.

Bu cədvəldə DuTD bildirilən bütün metriklərdə ən aşağı xəta dəyərinə malikdir.

FA və əsas diffuziya istiqamətinin vizual analizi

7-ci səhifədəki Şəkil 9 FA xəritələrini və istinada görə mütləq xəta xəritələrini müqayisə edir. Müəlliflər DuTD-nin xüsusilə aşağı intensivlikli bölgələrdə lokal toxuma anizotropiyasını daha yaxşı qoruduğunu bildirirlər.

8-ci səhifədəki Şəkil 10 əsas özvektorun pseudocolor və bucaq xətası xəritələrini göstərir. Təmsilçi kəsikdə bildirilən PDD xətaları xam məlumat üçün 19,73°, tMPPCA üçün 17,34°, CTNet üçün 16,00°, DeepDTI üçün 14,41° və DuTD üçün 14,25°-dir.

Şəkil 11-dəki FA rəng xəritəsində DuTD nəticəsi istinada yaxın görünür; corpus callosum-un genu və splenium bölgələri ilə superior longitudinal fasciculus kimi ağ maddə strukturlarının istiqamətli xüsusiyyətləri qorunur.

Corpus callosum lif traktoqrafiyası

Fiber tracking DSI Studio ilə həyata keçirilmişdir. Mənbədə verilən parametrlər:

• FA həddi: 0,2
• Bucaq həddi: 35°
• Seed point sayı: 250.000
• İnteqrasiya üsulu: Euler

Mənbənin Cədvəl 2 nəticələri:

DuTD müqayisə edilən üsullar arasında ən yüksək Dice əmsalını verir. Tract count-ın daha yüksək olması təkbaşına daha dəqiq traktoqrafiya demək deyil; mənbə dəqiqlik qiymətləndirməsində Dice örtüşməsindən ayrıca istifadə edir və istinad lif sayı Cədvəl 2-də verilmir.

Parkinson məlumat dəsti nəticələri

Cədvəl 3-ə görə DuTD PDD, AD, MD və RD üçün ən aşağı ədədi xətanı verdiyi halda, FA-da ən aşağı xəta DeepDTI-yə aiddir. Müəlliflər nəticələr bölməsində DuTD-nin Parkinson məlumatlarındakı əsas üstünlüyünü xüsusilə MD və RD üzərindən vurğulayırlar.

8-ci və 9-cu səhifələrdəki FA color map müqayisələrində tMPPCA-nın boz-ağ maddə sərhədində bəzi pozuntular və yanlış diffuziya xüsusiyyətləri göstərdiyi, CTNet və DuTD-nin işarələnmiş bölgədə istinada daha yaxın olduğu bildirilir.

Ablasiya tədqiqatı

Ablasiya analizi 420 HCP DTI görüntüsündə görüntü sahəsi, parametr sahəsi və iki-sahəli istifadənin töhfəsini müqayisə edir.

Cədvəl iki-sahəli təcrübələrin tək-sahəli təcrübələrdən daha yüksək PSNR və SSIM yaratdığını göstərir. SR modulu PSNR-ı üç müqayisənin hamısında çox kiçik miqdarda artırır. SSIM üzərində isə təsir bir istiqamətli deyil: görüntü-sahəsi və iki-sahəli nəticələrdə 0,0001 azalma, parametr-sahəsi nəticəsində 0,0001 artım müşahidə olunur.

Mənbədaxili uyğunsuzluq qeydi: Ablasiya bölməsinin mətnində SR istifadə olunan təcrübələrin 1, 3 və 5 olduğu yazıldığı halda, Cədvəl 4-dəki işarələr SR-nin 2, 4 və 6 nömrəli təcrübələrdə istifadə edildiyini göstərir. Cədvəldəki PSNR dəyişiklikləri və “SR module slightly improves PSNR” cümləsi 2, 4 və 6 şərhi ilə uyğundur. Burada cədvəl məlumatları qorunmuş, mətndəki ziddiyyət gizlədilməmişdir.

Altı İstiqamətli DuTD Klinik MRI Müddətini Nə Qədər Azaldır?

Tədqiqat DuTD-nin DTI-də tələb olunan istiqamət sayını nəzəri minimum olan altıya endirmə potensialının görüntüləmə müddətini əhəmiyyətli dərəcədə azalda biləcəyini irəli sürür; lakin mənbə real prospektiv altı-istiqamətli klinik skanda qazanılan dəqiqəni və ya faizlə müddət azalmasını birbaşa ölçmür. Parkinson məlumat dəstinin 128 istiqamətli çəkilişi üçün ümumi əldəetmə müddəti 47 dəqiqə kimi bildirilmişdir, lakin bu rəqəmdən altı istiqamətli DuTD üçün təsdiqlənmiş yeni müddət hesablamaq mənbə tərəfindən dəstəklənmir.

Buna görə tədqiqatın dəstəklədiyi ifadə:

“Altı istiqamətli məlumatla yüksək keyfiyyətli parametr qiymətləndirilməsi uğurlu olarsa, DTI çəkiliş müddətini azaltmaq potensialı vardır.”

Tədqiqatın dəstəkləmədiyi ifadə isə:

“DuTD klinik çəkilişi dəqiq olaraq X dəqiqəyə endirir.”

Tədqiqatın dəstəklədiyi nəticələr

• DuTD görüntü sahəsi ilə diffuziya tenzoru parametr sahəsini eyni denoising çərçivəsində birləşdirir.
• HCP təcrübələrində iki-sahəli yanaşma tək-sahəli ablasiya təcrübələrindən daha yüksək PSNR və SSIM yaratmışdır.
• HCP Cədvəl 1-də DuTD PDD, FA, AD, MD və RD üçün müqayisə olunan üsullar arasında ən aşağı xətaları vermişdir.
• Corpus callosum analizində DuTD %63,18 Dice ilə müqayisə edilən üsullar arasında ən yüksək örtüşməni vermişdir.
• Parkinson məlumatlarında DuTD xüsusilə MD və RD üçün DeepDTI-dən daha aşağı MAE göstərmişdir.
• Altı istiqamət standart diffuziya tenzorunun altı müstəqil parametrini həll etmək üçün nəzəri minimumdur.

Tədqiqatın dəstəkləmədiyi nəticələr

• DuTD-nin Parkinson xəstəliyini diaqnoz etdiyi göstərilməmişdir.
• Altı istiqamətli DuTD-nin klinik çəkiliş müddətini konkret faiz və ya dəqiqə qədər azaltdığı birbaşa ölçülməmişdir.
• 12 Parkinson xəstəsindən əldə edilən nəticələr bütün Parkinson populyasiyasına ümumiləşdirilə bilməz.
• Modelin fərqli xəstəxanalarda, fərqli MRI istehsalçılarında, fərqli b-dəyərlərində və fərqli protokollarda eyni performansı verəcəyi sübut olunmamışdır.
• Yüksək PSNR və ya SSIM klinik diaqnostik dəqiqliyin avtomatik artdığını göstərmir.
• Daha yüksək tract count təkbaşına daha dəqiq lif rekonstruksiyası demək deyil.
• Tədqiqat həmyaşıd qiymətləndirməsindən keçmiş yekun nəşr deyil.

Tədqiqatın güclü tərəfləri

Tədqiqatın mühüm metodoloji güclü tərəfi görüntü bərpasını yalnız görüntü məkanındakı vizual oxşarlığa buraxmamasıdır. Diffuziya tenzoru vasitəsilə toxumanın fiziki istiqamətli məlumatını modelə daxil etməyə çalışması DTI kimi fiziki modellə güclü şəkildə əlaqəli görüntüləmə üsulunda mənalı dizayn seçimidir.

İkinci güclü tərəf qiymətləndirməni yalnız PSNR və SSIM ilə məhdudlaşdırmamasıdır. FA, MD, AD, RD, PDD və corpus callosum lif traktoqrafiyası kimi downstream fiziki və anatomik ölçülər də araşdırılır.

Üçüncü güclü tərəf HCP sağlam yetkin məlumatlarına əlavə olaraq fərqli istehsalçının MRI sistemi ilə əldə edilmiş xüsusi Parkinson xəstə məlumatlarında da qiymətləndirmə aparılmasıdır.

Əsas məhdudiyyətlər və şərh sərhədi

Parkinson məlumat dəsti yalnız 12 xəstədən ibarətdir. Mənbə müxtəlif mərkəzlərdən geniş çoxmərkəzli klinik doğrulama bildirmir.

Üsul yüksək-istiqamətli mövcud məlumat dəstlərindən yaradılmış altı istiqamətli girişlər üzərində qiymətləndirilmişdir; real klinik iş axınında əvvəldən yalnız altı istiqamətin prospektiv şəkildə əldə edildiyi müstəqil genişmiqyaslı tətbiq bildirilmir.

Mənbədə DuTD-nin model mürəkkəbliyi, inference müddəti və ya klinik cihazda real vaxt iş xərci ətraflı performans cədvəli ilə verilmir.

Ablasiya mətni ilə Cədvəl 4 arasında SR təcrübə nömrələri barədə daxili uyğunsuzluq vardır.

Tədqiqat hələ həmyaşıd qiymətləndirməsindən keçməmiş preprintdir; nəticələr yekun həmyaşıd qiymətləndirilmiş sübut kimi qəbul edilməməlidir.

Mənbə və Metod Qeydi

Orijinal başlıq: Dual-Domain Denoising with Minimal Number of Directions for Diffusion Tensor Imaging

Müəlliflər: Haoyu Zhang, Di Guo, Feiqiang Guan, Chengsong Zeng, Chen Qian, Ruibo Song, Xianwang Jiang, Kaihua Zhang, Tao Gong, Xiaobo Qu

Bərabər töhfə: Haoyu Zhang və Di Guo

Məsul müəlliflər: Tao Gong və Xiaobo Qu

Qurumlar: Pen-Tung Sah Institute of Micro-Nano Science and Technology, Xiamen University-Neusoft Medical Magnetic Resonance Imaging Joint Research and Development Center, Fujian Provincial Key Laboratory of Plasma and Magnetic Resonance, Xiamen University; School of Computer and Information Engineering, Xiamen University of Technology; Department of Electronic Science, Xiamen University; Institute of Research and Clinical Innovations, Neusoft Medical Systems Co., Ltd.; Neusoft Medical System; School of Psychology, Shandong Normal University; Departments of Radiology, Shandong Provincial Hospital Affiliated to Shandong First Medical University.

Mənbə növü: Preprint tədqiqat məqaləsi.

Nəşr statusu: PDF “Preprint submitted to Elsevier” ifadəsini daşıyır.

Həmyaşıd qiymətləndirilməsi: Mənbə açıq şəkildə “This preprint research paper has not been peer reviewed” deyir.

SSRN: https://ssrn.com/abstract=7313441

DOI: Yüklənmiş PDF-də göstərilməmişdir.

Lisenziya: Mənbə PDF-də açıq lisenziya göstərilməmişdir.

Əsas üsul: Dual-Domain Tensor Denoising (DuTD), görüntü sahəsində IDNet və tenzor/parametr sahəsində TDNet.

Əsas məlumat mənbələri: Human Connectome Project və Shandong Provincial Hospital Parkinson xəstə məlumatları.

Parkinson etik təsdiqi: No. 2023-672.

Müqayisə üsulları: tMPPCA, CTNet və DeepDTI.

Əsas qiymətləndirmə metrikləri: PSNR, SSIM, FA/MD/AD/RD MAE, PDD bucaq xətası və Dice əmsalı.

Maliyyələşdirmə: Tədqiqat National Natural Science Foundation of China (62331021, 62371410, 82302149), Fujian Provincial Leading Talents in Scientific and Technological Innovation Program, Fujian Provincial Minjiang Scholar Program (405010126002), Lujiang Outstanding Scholar Program at Xiamen University of Technology, Nanqiang Outstanding Talents Program at Xiamen University, Zhou Yongtang Fund for High Talents Team (0621-Z0332004), Natural Science Foundation of Shandong Province (ZR2020QH267) və China Postdoctoral Science Foundation (2022M711987) tərəfindən qismən maliyyələşdirilmişdir.

Maraqlar toqquşması: Mənbə C. Qian, R. Song və X. Jiang-ın Neusoft Medical Systems Co., Ltd. əməkdaşları olduğunu bildirir.

Mühüm mənbədaxili uyğunsuzluq: Ablasiya izahındakı SR təcrübə nömrələri ilə Cədvəl 4-ün SR işarələri uyğun gəlmir. Cədvəl 4 SR-ni 2, 4 və 6 nömrəli təcrübələrdə göstərir.

Əsas şərh sərhədi: Nəticələr görüntü denoising və diffuziya parametri/traktoqrafiya rekonstruksiyası performansına aiddir. Tədqiqat klinik diaqnostik dəqiqlik, xəstə nəticəsi və ya real altı-istiqamətli klinik skan müddəti haqqında birbaşa nəticə təqdim etmir.