Problem Nədir? Aşağı Dozalı CT-də Görüntü Səs-küyü Artır

Kompüter tomoqrafiyası, yəni CT, bədənin daxili quruluşunu kəsik təsvirlərlə araşdırmaq üçün istifadə olunan mühüm tibbi görüntüləmə üsuludur. Lakin CT müayinələrində ionlaşdırıcı şüalanmadan istifadə olunur. Buna görə tədqiqatçılar görüntü keyfiyyətini qoruyarkən şüalanma dozasını azaltmağın yollarını axtarırlar.

Aşağı dozalı CT xəstənin aldığı şüalanmanı azaltmağı hədəfləyir. Lakin doza azaldıqca ölçmə məlumatı daha səs-küylü olur. Bu da görüntüdə zolaqlanma, bulanıqlıq və ya süni təhriflər yarada bilər.

Bu məqamda əsas sual budur:

Daha aşağı doza ilə əldə edilən səs-küylü ölçmələrdən kifayət qədər təmiz və mənalı CT görüntüsü yenidən qurula bilərmi?

Bu tədqiqat suala xüsusilə resurs məhdudiyyəti baxımından yanaşır. Yəni yalnız “ən yüksək keyfiyyət mümkündürmü?” deyə soruşmur. Eyni zamanda “daha az verilən, daha az parametr və daha şərh edilə bilən modellə məqbul keyfiyyət əldə etmək olarmı?” sualını araşdırır.

CT Yenidənqurma Nə Deməkdir?

CT cihazı bədənin daxili görüntüsünü birbaşa çəkmir. Cihaz müxtəlif bucaqlardan keçən rentgen şüalarının zəifləməsini ölçür. Bu ölçmələrdən sonra kompüter daxili quruluşun görüntüsünü hesablayır.

Məqalədə bu əsas problem belə bir düsturla göstərilir:

y = Ax + n

Bu düsturu sadə şəkildə belə oxumaq olar:

y cihazın ölçdüyü proyeksiya məlumatıdır.
x əldə etmək istədiyimiz həqiqi CT görüntüsüdür.
A CT skanının fiziki ölçmə prosesini təmsil edir.
n ölçməyə qarışan səs-küydür.

Yəni əlimizdə birbaşa təmiz görüntü yoxdur. Səs-küylü ölçmədən həqiqi görüntüyə ən yaxın nəticəni tapmağa çalışırıq.

Buna görə CT yenidənqurma “tərs problem”dir. Nəticədən yola çıxaraq səbəbi tapmağa çalışırıq. Aşağı dozada bu iş daha da çətinləşir, çünki ölçmədəki səs-küy daha nəzərəçarpandır.

Klassik Üsul: FBP Niyə Kifayət Etməyə Bilər?

Filtered Backprojection, qısaca FBP, CT görüntüsü yaratmaq üçün istifadə olunan klassik və sürətli üsuldur. Hesablama baxımından praktikdir və uzun illərdir əsas yanaşmalardan biridir.

Lakin aşağı dozalı CT-də FBP-nin mühüm zəifliyi var: Ölçmədəki səs-küy görüntüyə güclü şəkildə əks oluna bilər. Bu da xüsusilə az foton sayına bağlı hallarda zolaqlanma və səs-küy təhrifləri yarada bilər.

Bu tədqiqatda FBP müqayisə üçün əsas başlanğıc nöqtəsi kimi istifadə olunur. Deep GLR üsulu da ilkin görüntünü FBP ilə başladır, sonra həmin görüntünü addım-addım yaxşılaşdırmağa çalışır.

Deep GLR Nə Təklif Edir?

Deep GLR klassik optimallaşdırma ilə dərin öyrənməni birləşdirən hibrid yanaşma təklif edir.

Buradakı ideya budur:

Tamamilə böyük və mürəkkəb süni intellekt modelinə güvənmək əvəzinə, CT-nin fiziki strukturunu və görüntülərin qonşuluq əlaqələrini açıq şəkildə modelə daxil etmək.

Deep GLR üç əsas hissədən ibarətdir:

1. Yüngül CNN şəbəkələri
Görüntünü əvvəlcədən emal etmək, piksellərin xüsusiyyətlərini çıxarmaq və requlyarlaşdırma çəkisini öyrənmək üçün kiçik CNN modullarından istifadə olunur.

2. Graph Laplacian Regularization
Görüntüdə oxşar piksellərin bir-birinə yaxın dəyərlərdə qalmasını təmin edən qraf əsaslı requlyarlaşdırmadan istifadə olunur.

3. PFBS optimallaşdırma çərçivəsi
Proximal Forward-Backward Splitting adlanan iterativ optimallaşdırma yanaşması ilə görüntü addım-addım yenilənir.

Bu struktur “yalnız öyrənən” model əvəzinə, öyrənən, lakin riyazi requlyarlaşdırma ilə məhdudlaşdırılan model qurur.

Qraf Əsaslı Requlyarlaşdırma Nə Deməkdir?

Məqalədə görüntü qraf kimi təsəvvür olunur. Burada hər piksel düyün qəbul edilir. Yaxın piksellər arasında əlaqələr yaradılır.

Əgər iki piksel bir-birinə oxşar xüsusiyyətlərə malikdirsə, aralarındakı əlaqə daha güclü olur. Xüsusiyyətləri fərqlidirsə, əlaqə zəifləyir.

Bu əlaqələr şəbəkəsi görüntünün harada hamar qalmalı və harada sərhədləri qorunmalı olduğuna dair ipucu verir.

CT görüntüsündə ağciyər, yumşaq toxuma, sümük və orqan sərhədləri fərqli strukturlar göstərir. Qraf əsaslı yanaşma qonşu piksellər arasındakı oxşarlığı nəzərə alaraq səs-küyü azaltmağa çalışır.

Graph Laplacian Düsturu Nəyi İzah Edir?

Məqalədə istifadə olunan əsas requlyarlaşdırma ifadəsi belədir:

GLR(x) = xᵀLx = Σ wij(xi − xj)²

Bu düstur ilk baxışda texniki görünür; lakin mənası kifayət qədər öyrədicidir.

xi və xj iki qonşu pikselin dəyəridir.
wij bu iki piksel arasındakı oxşarlıq çəkisidir.
L qraf Laplas matrisidir.
Ümumi ifadə oxşar piksellərin bir-birindən çox fərqli dəyərlərə malik olmasını cəzalandırır.

Sadə dillə:

Əgər iki piksel bir-birinə bənzəyirsə, model onların dəyərlərinin bir-birindən çox uzaqlaşmasını istəmir.

Bu, səs-küyün azaldılması baxımından faydalıdır. Çünki səs-küy çox vaxt qonşu piksellər arasında qəfil və mənasız dəyişmələr yaradır.

Lakin burada tarazlıq var. Həddindən artıq hamarlama aparılarsa, incə anatomik detallar itə bilər. Buna görə üsulun uğuru səs-küyü azaldarkən mühüm sərhədləri qoruya bilməsindən asılıdır.

Piksel Oxşarlığı Necə Hesablanır?

Məqalədə qonşu piksellər arasındakı çəki bu düsturla hesablanır:

wij = exp(− ||fi − fj||² / 2ε²)

Bu düsturun sadə mənası budur:

İki pikselin öyrənilmiş xüsusiyyətləri bir-birinə bənzəyirsə, aralarındakı əlaqə güclü olur.
Xüsusiyyətlər çox fərqlidirsə, əlaqə zəifləyir.

Burada fi və fj iki pikselin CNN tərəfindən öyrənilmiş xüsusiyyətləridir. ε isə oxşarlıq ölçüsünün nə qədər həssas olacağını müəyyən edən zolaq eni parametridir.

Tədqiqatda bu ε parametrinin təlimin sonunda 1,25 ətrafında sabitləşdiyi bildirilir. Bu dəyər modelin tamamilə təsadüfi əzbərləmə əvəzinə görüntüdə mənalı oxşarlıq miqyası öyrənmiş ola biləcəyinə işarə edir. Bununla belə, bu şərh tədqiqatın öz təcrübə şərtləri daxilində qiymətləndirilməlidir.

PFBS Yeniləməsi Nə İşə Yarayır?

Deep GLR görüntünü bir addımda yaratmır. Əvvəlcə FBP ilə əldə edilən görüntüdən başlayır və onu çoxsaylı kiçik addımlarla yaxşılaşdırır.

Məqalədə bu proses iki əsas qüvvənin tarazlığı kimi düşünülə bilər:

Verilənlərə uyğunluq:
Yaradılan görüntü CT ölçmə məlumatları ilə uyğun olmalıdır.

Requlyarlaşdırma:
Görüntü lazımsız səs-küydən təmizlənməli və qonşu piksellər arasında mənalı struktur qorunmalıdır.

Düsturda bu, təxminən belə bir optimallaşdırma problemi ilə ifadə olunur:

min 1/2 ||Ax − y||² + μ(xᵀLx)

Bunu sadələşdirək:

Birinci termin görüntünün ölçmə məlumatına nə qədər uyğun olduğunu ölçür.
İkinci termin görüntünün qraf əsaslı hamarlığını idarə edir.
μ bu iki məqsəd arasında tarazlıq yaradır.

Əgər μ çox kiçikdirsə, daha çox səs-küy qala bilər. Əgər μ çox böyükdürsə, görüntü həddindən artıq hamarlana bilər. Buna görə μ-nün öyrənilməsi vacibdir.

Şəbəkə Arxitekturası Necə Qurulub?

Deep GLR sistemi üç yüngül CNN modulundan istifadə edir.

Pre-filtering Network:
FBP-dən gələn ilkin səs-küylü görüntü üzərində ilkin təmizləmə aparır.

Feature Extraction Network:
Hər piksel üçün üçölçülü xüsusiyyət vektoru çıxarır. Bu xüsusiyyətlər piksel oxşarlıq qrafını qurmaq üçün istifadə olunur.

Parameter Learning Network:
Hər görüntü üçün requlyarlaşdırma çəkisi olan μ dəyərini öyrənir.

Bunlara əlavə olaraq son mərhələdə kiçik post-processing şəbəkəsindən istifadə olunur. Lakin bütün sistem böyük dərin öyrənmə modeli olmağa çalışmır. Əsas gücü kiçik öyrənən modulları riyazi optimallaşdırma ilə birləşdirməsindən gəlir.

Ümumi parametr sayı 91.848 olaraq bildirilir. Bu, məqalədə müqayisə edilən bəzi dərin öyrənmə yanaşmaları ilə müqayisədə kifayət qədər kiçik model ölçüsü deməkdir.

Təcrübələr Necə Aparılıb?

Tədqiqatçılar üsulu LoDoPaB-CT adlı aşağı dozalı CT benchmark verilənlər dəsti üzərində sınaqdan keçirirlər.

Diqqətçəkən təcrübə detalları bunlardır:

• Görüntü həlli: 362 × 362 piksel
• Proyeksiya həndəsəsi: 1000 bucaq və 513 detektor bölməsi
• Səs-küy modeli: Puasson statistikası
• Təlim nümunəsi: 1000 görüntü
• Doğrulama nümunəsi: 100 görüntü
• Təlim müddəti: 30 epoch
• Ümumi parametr: 91.848

1000 təlim nümunəsi tam təlim dəstinin yalnız 2,8 faizinə uyğundur. Bu, tədqiqatın əsas hədəfi olan verilən səmərəliliyi baxımından mühüm məqamdır.

Cədvəl 1 Nəyi Göstərir?

Məqalədəki Cədvəl 1 Deep GLR-nin FBP və bəzi benchmark üsullarla müqayisəsini təqdim edir.

Nəticələri belə ümumiləşdirmək olar:

FBP:
PSNR: 24,37 dB
SSIM: 0,6916

Deep GLR:
PSNR: 30,70 dB
SSIM: 0,7719
Parametr: 91.848
Təlim veriləni: 1000 nümunə

FBP + U-Net:
PSNR: 35,84 dB
SSIM: 0,8443
Parametr: təxminən 500.000
Təlim veriləni: 35.820 nümunə

VQ-CAE:
PSNR: 43,75 dB
SSIM: 0,96
Parametr: təxminən 500.000
Təlim veriləni: tam verilənlər dəsti

Bu cədvəl bizə eyni anda iki şeyi göstərir.

Birincisi, Deep GLR klassik FBP ilə müqayisədə nəzərəçarpacaq yaxşılaşma təmin edir. PSNR dəyəri 6,33 dB artır.

İkincisi, Deep GLR ən yaxşı üsul deyil. Xüsusilə VQ-CAE ilə arasında təxminən 13 dB-lik ciddi fərq var. Yəni üsul maksimum keyfiyyət iddiasında deyil; daha çox az verilən və az parametr şəraitində məqbul yaxşılaşma təqdim edən səmərəli yanaşma kimi oxunmalıdır.

Şəkil 1 Nəyi İzah Edir?

Məqalədəki Şəkil 1 Deep GLR emal xəttini göstərir. Şəkildə FBP ilə başlayan CT görüntüsü CNN əsaslı ilkin filtrləmə və xüsusiyyət çıxarma mərhələlərindən keçir. Sonra piksellər arasında qraf qurulur, Graph Laplacian requlyarlaşdırması hesablanır və PFBS iterasiyaları ilə görüntü yenilənir.

Bu şəklin əsas mesajı budur:

Deep GLR CT görüntüsünü yalnız CNN filtrindən keçirmir. Görüntünü fiziki ölçmə modeli, piksel oxşarlığı və iterativ optimallaşdırma ilə birlikdə nəzərdən keçirir.

Buna görə üsulu klassik optimallaşdırma ilə müasir dərin öyrənmə arasında körpü kimi düşünmək olar.

Şəkil 2 Nəyi Göstərir?

Şəkil 2 təlim prosesində loss və PSNR dəyişməsini göstərir. Əyrilər 30 epoch ərzində modelin sabit şəkildə öyrəndiyini və doğrulama PSNR dəyərinin təxminən 30 dB səviyyəsini keçdiyini göstərir.

Qrafikdə FBP başlanğıc səviyyəsinin təxminən 24,4 dB ətrafında olduğu görünür. Deep GLR təlimi irəlilədikcə bu səviyyəni aydın şəkildə keçir.

Bu şəklin sadə mesajı budur:

Model məhdud verilənlə belə FBP ilə müqayisədə daha təmiz görüntü yaratmağı öyrənir. Lakin əyrilər klinik uğuru deyil, benchmark üzərində rəqəmsal yaxşılaşmanı göstərir.

Şəkil 3 Nəyi İzah Edir?

Şəkil 3 üç müxtəlif xəstə nümunəsi üçün FBP, ground truth və Deep GLR nəticələrini yanaşı göstərir.

FBP görüntülərində daha çox səs-küy və təhrif görünür, Deep GLR nəticələri isə daha təmiz və hamar görünür. Anatomik strukturların ümumi konturları qorunur kimi görünsə də, bəzi incə detallarda həddindən artıq hamarlama riski var.

Bu şəklin əsas mesajı:

Deep GLR səs-küyü azaltmaqda uğurlu meyl göstərir; lakin görüntünün diaqnostik baxımdan kifayət edib-etmədiyini yalnız bu görüntülərlə müəyyən etmək olmaz. Bunun üçün radioloq qiymətləndirməsi, müxtəlif klinik tapşırıqlar və real cihaz məlumatları ilə əlavə sınaqlar lazımdır.

Tədqiqat Nə Deyir?

Tədqiqatın əsas mesajı budur:

Aşağı dozalı CT yenidənqurması üçün hər zaman çox böyük model və çox böyük verilənlər dəsti tələb olunmaya bilər. Qraf əsaslı requlyarlaşdırma, klassik optimallaşdırma və kiçik CNN modulları birlikdə istifadə olunduqda məhdud resurslarla mənalı keyfiyyət artımı əldə edilə bilər.

Deep GLR FBP ilə müqayisədə görüntü keyfiyyətini artırır. Lakin ən qabaqcıl dərin öyrənmə üsullarının səviyyəsinə çatmır. Bu da tədqiqatın dürüst və mühüm tərəfidir: üsul keyfiyyəti artırır, amma “ən yaxşı keyfiyyət” əvəzinə “səmərəli keyfiyyət” hədəfləyir.

Bu Niyə Vacibdir?

Tibbi görüntüləmə sahəsində verilən toplamaq hər zaman asan deyil. Xəstə məxfiliyi, nadir xəstəliklər, cihaz fərqləri və qurumlararası məlumat paylaşımı kimi səbəblərə görə böyük verilənlər dəstləri hər zaman əlçatan olmaya bilər.

Bundan əlavə, hər klinika və ya tədqiqat mərkəzi böyük modelləri öyrətmək üçün lazım olan avadanlığa malik olmaya bilər. Buna görə daha kiçik, daha şərh edilə bilən və daha az verilən tələb edən üsullar xüsusilə resursları məhdud mühitlər üçün vacibdir.

Deep GLR kimi tədqiqatlar tibbi süni intellektdə yalnız “ən yüksək xal” axtarmağın kifayət etmədiyini xatırladır. Bəzən daha kiçik, lakin daha anlaşılan və tətbiq edilə bilən modellər də dəyərlidir.

Diqqət Edilməli Məqamlar

Bu tədqiqat səhiyyə sahəsi ilə əlaqəli olduğu üçün ehtiyatla oxunmalıdır.

Birincisi, tədqiqat preprintdir. Onun rəyçi qiymətləndirməsindən keçdiyi fərz edilməməlidir.

İkincisi, təcrübələr yalnız bir benchmark verilənlər dəsti üzərində aparılıb. Müxtəlif anatomik sahələrdə, müxtəlif scanner növlərində, müxtəlif protokollarda və real klinik şəraitdə nəticələr dəyişə bilər.

Üçüncüsü, üsul 2D kəsiklər üzərində işləyir. Klinik CT skanları çox vaxt 3D həcm kimi qiymətləndirilir. Kəsiklərarası əlaqədən istifadə etməmək bəzi məlumatların itirilməsinə səbəb ola bilər.

Dördüncüsü, Deep GLR daha az parametr və daha az verilənlə işləsə də, ən qabaqcıl üsullarla arasında nəzərəçarpacaq keyfiyyət fərqi var.

Beşincisi, PSNR və SSIM kimi rəqəmsal metriklər faydalıdır; lakin klinik diaqnostik yetərlilik üçün təkbaşına kifayət deyil. Radioloq qiymətləndirməsi və tapşırıq əsaslı ölçmələr lazımdır.

Nəhayət, bu məzmun tibbi məsləhət deyil. CT dozası, görüntüləmə üsulu və ya diaqnostik qərar yalnız səhiyyə mütəxəssisləri tərəfindən verilməlidir.

Nəticə

Bu tədqiqat aşağı dozalı CT yenidənqurması üçün daha kiçik və verilən baxımından daha səmərəli süni intellekt yanaşmasının mümkün ola biləcəyini göstərir.

Deep GLR qraf əsaslı requlyarlaşdırma, klassik PFBS optimallaşdırması və yüngül CNN modullarını birləşdirərək FBP ilə müqayisədə nəzərəçarpacaq keyfiyyət artımı təmin edib. Üsul yalnız 91.848 parametr və 1000 təlim nümunəsi ilə 30,70 dB PSNR dəyərinə çatıb.

Lakin nəticələr ən qabaqcıl üsullardan geri qalır və klinik istifadəyə hazır olduğu demək deyil. Tədqiqatın əsas dəyəri resursları məhdud tibbi görüntüləmə ssenariləri üçün keyfiyyət-səmərəlilik tarazlığını araşdırmasındadır.

Bu məqalənin ən mühüm mesajı budur:

Tibbi süni intellektdə daha böyük model hər zaman yeganə yol deyil; düzgün riyazi struktur və səmərəli öyrənmə məhdud resurslarla da mənalı yaxşılaşma təmin edə bilər.

Mənbə və Metod Qeydi

Bu məzmun Veera Varuni Radhakrishnan, Chinthaka Dinesh və Qurat-ul-Ain Azim tərəfindən hazırlanmış “Parameter-Efficient CT Reconstruction via Deep Graph Laplacian Regularization” adlı akademik tədqiqatdan istifadə edilərək Verianla redaksiya formatında orijinal şəkildə hazırlanıb.

Tədqiqat arXiv-də yayımlanmış preprint xarakterlidir. Məzmun məlumatlandırma və təhsil məqsədi daşıyır. Tibbi diaqnostika, müalicə, görüntüləmə protokolu, şüalanma dozası qərarı və ya klinik tətbiq üzrə məsləhətin yerini tutmur.