Маселе Эмне? Төмөн Дозада CT Сүрөттүн Шуу Жогорулайт

Компьютердик томография, башкача айтканда CT, дененин ички түзүлүшүн кесилиштик сүрөттөр менен изилдөөгө колдонулуучу маанилүү медициналык сүрөттөмө ыкма. Бирок CT сканерлөө ионго бөлүнгөн радиацияны камтыйт. Ошондуктан изилдөөчүлөр сүрөттүн сапатын сактап, радиация дозасын азайтуунун жолдорун издеп жатышат.

Төмөн дозалуу CT бейтаптын алган радиациясын азайтууну көздөйт. Бирок доза азайган сайын өлчөм маалыматтары көбүрөөк ызы-чуу пайда кылат. Бул сүрөттө сызыктар, булактык же жасалма бузулууларды пайда кылышы мүмкүн.

Бул жерде негизги суроо мындай:

Төмөн дозада алынган ызы-чууну деңгээлдеги өлчөмдөрдөн, жетиштүү таза жана маанилүү CT сүрөтүн кайра түзсө болобу?

Бул изилдөө, бул суроого өзгөчө ресурс чектөөсү жагынан жакындайт. Башкача айтканда, ал болгону «эн жогорку сапат мүмкүнбү?» деп суроону бербейт. Ошол эле учурда «аз маалымат, аз параметр жана көбүрөөк түшүнүктүү модел менен максатка ылайык сапатка жетишүүгө болобу?» деген суроону да карайт.

CT Кайта түзүү деген эмне?

CT түзмөк түздөн-түз дененин ичиндеги сүрөттү тартпайт. Түзмөк ар кандай бурчтардан өткөн X-лучтердин күчүнүн азайышын өлчөйт. Бул өлчөөлөрдөн кийин компьютер ички түзүмдүн сүрөтүн эсептейт.

Макалада бул негизги көйгөй төмөнкү формула менен көрсөтүлөт:

y = Ax + n

Бул формуланы жөнөкөй түрдө мындай окуса болот:

y, түзмөгү өлчөгөн проекция маалымат.
x, биз жеткиргибиз келген чыныгы CT сүрөт.
A, CT сканерлөөнүн физикалык өлчөө процессин билдирет.
n – өлчөмгө аралашкан ызы-чуудан турат.

Башкача айтканда, биздин колубузда түздөн-түз таза сүрөт жок. Шумдуу өлчөмдөн чындыгый сүрөткө эң жакын жыйынтыкты табууга аракет кылабыз.

Ошондуктан CT кайра түзүү бул “антыкер көйгөй” болуп эсептелет. Натыйжадан чыгып, себебин табууга аракет кылабыз. Төмөн дозада бул иш дагы татаалдашат, анткени өлчөмдөгү ызы-чууну дагы көрүнүктүү болот.

Классикалык ыкма: FBP Эмне үчүн жетишсиз болушу мүмкүн?

Filtered Backprojection, кыскартып FBP, CT сүрөтүн түзүү үчүн колдонулган классикалык жана ылдам ыкма. Эсептөө жагынан практикалык жана көп жылдар бою негизги ыкмалардын бири.

Бирок аз дозада CT’да FBP’дин маанилүү бир кемчилиги бар: Өлчөмдөгү шуу сүрөткө күчтүү түрдө чагылышы мүмкүн. Бул өзгөчө аз фотон санына байланыштуу кырдаалдарда сызыкчалар жана шуу бузулууларын жаратышы мүмкүн.

Бул изилдөөлөрдө FBP салыштыруу үчүн негизги баштапкы чек катары колдонулат. Deep GLR ыкмасы да биринчи сүрөттү FBP менен баштайт, андан кийин бул сүрөттү кадам сайын жакшыртууга аракет кылат.

Deep GLR эмнени сунуштайт?

Deep GLR, классикалык оптимизация менен терең үйрөнүүнү айкалыштырган гибриддик ыкманы сунуштайт.

Бул жердеги ой мындай:

Толук чоң жана татаал жасалма интеллект моделине таянуунун ордуна, CT нин физикалык түзүлүшүн жана сүрөттөрдүн коңшулук байланышын ачык эле модельге киргизүү.

Deep GLR үч негизги бөлүктөн турат:

1. Жеңил CNN тармактары
Сүрөттү алдын ала иштетүү, пикселдердин өзгөчөлүктөрүн алуу жана нормалдаштыруу салмагын үйрөнүү үчүн кичинекей CNN модулдар колдонулууда.

2. Graph Laplacian Regularization
Сүрөттө окшош пикселдердин бири-бирине жакын мааниде калышын камсыз кылган графикалык негиздеги жөнгө салуу колдонулат.

3. PFBS optimizasyon алкагы
Proximal Forward-Backward Splitting деп аталган итеративдик оптимизация ыкмасы менен сүрөт кадам-кадам жаңыланып турат.

Бул түзүм, «куу үйрөнгөн» модельдин ордуна, үйрөнгөн, бирок математикалык жөнгө салуу менен чектелген модельди түзөт.

Графикалык Негизделген Жөндөөнү Эмне Деген Сөз?

Макалада сүрөт графикалык элемент катары каралат. Бул жерде ар бир пиксел түйүн катары эсептелет. Жакын пикселдердин ортосунда байланыштар түзүлөт.

Эгер эки пиксел бири-бирине окшош мүнөздүктөргө ээ болсо, алардын байланышы күчтүү болот. Эгер ар кандай мүнөздүктөргө ээ болсо байланыш өзгөрбөйлөр.

Бул байланыш тармагы сүрөттүн кайда түз болушу керектиги жана кайда чек араларын сактоосу керектиги тууралуу кеңеш берет.

Бир CT сүрөтүндө өпкө, жумшак ткандын, сөөк жана органдардын чек аралары башкача түзүлүштү көрсөтөт. Графикалык негизделген ыкма жакынкы пикселдердин окшоштугун эске алып үндүктү азайтууга аракет кылат.

Граф Лаплас формуласы эмне жөнүндө айтып жатат?

Макалада колдонулган негизги уюштуруу жарлыгы төмөнкүчө:

GLR(x) = xᵀLx = Σ wij(xi − xj)²

Бул формула биринчи көз ирмемде техникалык көрүнөт; бирок анын мааниси өтө баалагандуу.

xi жана xj эки коңшулук пикселдин мааниси болуп саналат.
wij — бул эки пикселдин окшоштук салмагы.
L Лаплас график матрицасы болуп саналат.
Жалпы билдирүү окшош пикселдердин абдан ар башка мааниге ээ болушун жазалайт.

Жөнөкөй айтып айтканда:

Эгер эки пиксел бири-бирине окшош болсо, модель алардын бааларынын өтө айырмаланышына жол бербейт.

Бул ызы-чуу азайтуу жагынан пайдалуу. Анткени ызы-чуу көп учурда кошуна пикселдер арасында кескин жана маанисиз жыргалчылыктарды пайда кылат.

Бирок бул жерде бир тең салмак бар. Өтө көп тегирлөө жасалса, жука анатомиялык деталдар жоголуп кетиши мүмкүн. Ошондуктан ыкманын ийгилиги, шуууну азайтканда маанилүү чек араларды сактап кала алуусуна жараша.

Пикселдик окшоштукту кантип эсептешет?

Макалада коңшу пикселдер арасындагы салмак төмөнкү формула менен эсептелет:

wij = exp(− ||fi − fj||² / 2ε²)

Бул формуланын жөнөкөй мааниси мындай:

Эки пикселдин үйрөнүлгөн өзгөчөлүктөрү окшош болсо, алардын байланышы күчтүү болот.
Эгер мүнөздөмөлөр абдан ар түрдүү болсо, байланыш алсыз болот.

Бул жерде fi жана fj эки пикселдин CNN тарабынан үйрөнүлгөн өзгөчөлүктөрү. ε болсо окшоштук өлчөмүнүн канчалык так болорун аныктоочу тилкеден кеңдик параметри.

Изилдөөдө бул ε параметринин окутуунун аягында болжол менен 1,25 чамасында туруктуу абалга келгендиги кабарланууда. Бул баа моделдин толугу менен кокустан эсимде сактоо жасоо менен чектелбестен, сүрөттөгү маанилүү окшоштук масштабын үйрөнгөндөй болушу мүмкүн экенин көрсөтөт. Бирок бул пикирди изилдөөнүн өзүнүн тажрыйба шарттары ичинде баалоо керек.

PFBS жаңыртуусу эмнеге кызмат кылат?

Deep GLR сүрөттү бир жолу түзбөйт. Башында FBP менен алынган сүрөттөн баштайт жана муну көптөгөн чакан кадамдар менен жакшыртат.

Макалада бул процесс эки негизги күчтүн тең салмактуулугу катары каралышы мүмкүн:

Маалыматка берилгендик:
Иштелген сүрөт CT өлчөө маалыматтарына шайкеш болууга тийиш.

Түзөтүү:
Сүрөт керексиз ызы-чуудан арылтылып, коңшу пикселдердин арасында маанилүү түзүлүш сакталуусу керек.

Формулада муну болжол менен төмөнкү оптимизациялык маселе менен билдирет:

min 1/2 ||Ax − y||² + μ(xᵀLx)

Муну жөнөкөйлөтөлү:

Биринчи термин сүрөттүн өлчөө маалыматтарына канчалык туура келгенин өлчөйт.
Экинчи мүчө сүрөттөгү графикалык негиздеги тууралыкты көзөмөлдөйт.
μ бул эки максаттын ортосунда тең салмактуулук бар.

Эгер μ өтө кичине болсо, ызы-чуунун көбү калат. Эгер μ өтө чоң болсо, сүрөт абдан тегерек болуп калышы мүмкүн. Ошондуктан μнү үйрөнүү маанилүү.

Жел архитектурасы кантип курулган?

Deep GLR системасы үч жеңил CNN модулун колдонот.

Pre-filtering Network:
FBP менен келген биринчи ызы-чуу сүрөттө алдын ала тазалоо жүргүзүлөт.

Feature Extraction Network:
Ар бир пиксел үчүн үч өлчөмдүү өзгөчөлүк вектору чыгарылат. Бул өзгөчөлүктөр пиксел окшоштугу графигин куруу үчүн колдонулат.

Parameter Learning Network:
Ар бир сүрөт үчүн жөнгө салуу салмагы болгон μ баасын үйрөнөт.

Муну менен катар акыркы этапта кичинекей бир post-processing тармак колдонулат. Бирок бүт система чоң терең үйрөнүү модели болууга аракет кылбайт. Негизги күчү кичинекей үйрөнүүчү модулдарды математикалык оптимизация менен бириктирүүдөн келип чыгат.

Жалпы параметрлердин саны 91.848 деп кабарланууда. Бул макалада салыштырмалуу каралган айрым терең үйрөнүү ыкмаларына караганда абдан аз модельдин өлчөмүнө барабар.

Тажрыйбалар кандай жасалган?

Изилдөөчүлөр ыкманы LoDoPaB-CT деп аталган төмөн доза CT бенчмарк маалымат топтомунда сынап жатышат.

Алдыңкы тажрыйба деталдары мыналар:

• Сүрөттүн чечилиши: 362 × 362 пиксел
• Проекция геометриясы: 1000 бурч жана 513 детектор бөлмөлөрү
• Шум модели: Poisson статистикасы
• Өнүгүү үлгүсү: 1000 сүрөт
• Тастыктоо үлгүсү: 100 сүрөт
• Билим берүү мөөнөтү: 30 эпоха
• Жалпы параметр: 91.848

1000 билим берүү мисалы, толук билим берүү топтомунын болгону 2,8 пайызын түзөт. Бул изилдөөнүн негизги максаты болгон маалымат натыйжалуулугу жагынан маанилүү учур болуп саналат.

Таблица 1 Канчыны Көрсөтөт?

Макаладагы 1-таблица Deep GLR'дин FBP жана айрым эталон ыкмалар менен салыштырылышын көрсөтөт.

Жыйынтыктарды мындайча кыскача айтсак болот:

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

Deep GLR:
PSNR: 30,70 dB
SSIM: 0,7719
Параметр: 91.848
Окутуу маалыматтары: 1000 үлгү

FBP + U-Net:
PSNR: 35,84 dB
SSIM: 0,8443
Параметр: болжол менен 500.000
Өнүгүү маалыматтары: 35 820 мисал

VQ-CAE:
PSNR: 43,75 dB
SSIM: 0,96
Параметр: болжол менен 500.000
Окутуу маалыматтары: толук маалымат жыйнагы

Бул таблица бизге эки нерсени бир эле учурда айтып жатат.

Биринчиден, Deep GLR классикалык FBP га карата айкын жакшыртуу камсыз кылат. PSNR мааниси 6,33 dB га жогорулайт.

Экинчиден, Deep GLR эң мыкты ыкма эмес. Айрыкча VQ-CAE менен салыштырганда болжол менен 13 dB түрүндөгү олуттуу айырма бар. Башкача айтканда, ыкма максималдуу сапатты кепилдебейт; ал көбүрөөк аз маалымат жана аз параметр шартында макулдуу жакшыртуу сунуш кылган натыйжалуу ыкма катары каралышы керек.

Сүрөт 1 эмне айтып турат?

Макаладагы Сүрөт 1, Deep GLR иштетүү линиясын көрсөтөт. Сүрөттө FBP менен башталган CT сүрөтү, CNN негизделген алдын-ала фильтрлөө жана өзгөчөлүктөрдү чыгаруудан өтөт. Андан кийин пикселдер ортосунда граф коюлат, Graph Laplacian оңдолуш эсептелет жана PFBS итерация менен сүрөт жаңыланат.

Бул сүрөттүн негизги билдирүүсү мындан турат:

Deep GLR, CT сүрөтүн жалгыз CNN фильтри аркылуу өткөрбөйт. Ал сүрөттү физикалык өлчөө модели, пикселдик окшоштуктар жана итеративдүү оптимизация менен бирге карайт.

Ошондуктан ыкма классикалык оптимизация менен заманбап терең үйрөнүүнүн ортосундагы көпүрө катары каралышы мүмкүн.

Сүрөт 2 эмне көрсөтүп турат?

Сүрөт 2 окутуу процессиндеги loss жана PSNR өзгөрүшүн көрсөтүп турат. Эгрилер 30 epoch бою модель туруктуу түрдө үйрөнүп жатканын жана текшерүү PSNR маанисинин болжол менен 30 dB деңгээлинен жогору көтөрүлүп жатканын көрсөтөт.

Графикада FBP баштапкы деңгээлинин болжол менен 24,4 dB чамасында экени көрүнүп турат. Deep GLR окуусунан кийин бул ачыкча андан жогору көтөрүлөт.

Бул сүрөттүн жөнөкөй билдирүүсү мындай:

Модель чектелген маалымат менен деле FBP ге салыштырмалуу таза сүрөт чыгарууну үйрөнөт. Бирок ийрилүүлөр клиникалык ийгиликти эмес, бенчмарктагы сандык жакшыртууну көрсөтөт.

Сүрөт 3 эмне айтып турат?

Сүрөт 3, үч ар кандай бейтаптын мисалы үчүн FBP, ground truth жана Deep GLR натыйжаларын катарга коюп көрсөтөт.

FBP сүрөттөрүндө көбүрөөк ызы-чуу жана бузулуш көрүнүп жатканда, Deep GLR жыйынтыктарын таза жана тунук көрүнгөнү байкалууда. Анатомиялык түзүлүштөрдүн жалпы сырткы көрүнүшү сакталып калгандай көрүнгөнү менен, айрым нымыраак деталдарда ашыкча тегиздөө коркунучу бар.

Бул сүрөттүн негизги билдирүүсү:

Deep GLR ызы-чууну азайтууда ийгиликтүү тенденциясын көрсөтүүдө; бирок сүрөттүн диагноз коюуга жетиштүү экендигин текшерүү бул сүрөттөр менен гана мүмкүн эмес. Бул үчүн рентгенологдун баасы, ар кандай клиникалык тапшырмалар жана чыныгы аппарат маалыматы менен кошумча тест керек.

Изилдөө эмнени айтат?

Иштин негизги кабары төмөнкүдөй:

Төмөн дозадагы CT калыбына келтирүү үчүн ар дайым чоң модель жана чоң маалымат топтому талап кылынбайт. Графикалык негиздеги регуларизация, классикалык оптимизация жана кичинекей CNN модулдар бирге колдонулганда, чектелген ресурстар менен маанилүү сапат жогорулатуу колдонулушу мүмкүн.

Deep GLR, FBP’ге карата сүрөттүн сапатын жогорулатат. Бирок эң өнүккөн терең окутуу ыкмаларынын деңгээлине жетпейт. Бул изилдөөнүн ачык жана маанилүү жагы: ыкма сапатты жогорулатат, бирок «эң жакшы сапат» эмес, «үнөмдүү сапат» максат кылат.

Бул Эмне Үчүн Маанилүү?

Медицина чөйрөсүндөгү сүрөт тартуу үчүн маалымат чогултуу ар дайым жеңил деп айтылбайт. Саламаттык сактоо сырдуулугу, сейрек кездешкен оорулар, жабдуулардын айырмачылыктары жана институттар аралык маалымат бөлүшүү сыяктуу себептерден улам чоң маалымат жыйнактарга ар дайым жетүүгө мүмкүн болбойт.

Мындан тышкары, ар бир клиника же изилдөө борбору чоң моделдерди үйрөтө турган жабдууларга ээ болбойлошу мүмкүн. Ошондуктан кичирээк, түшүндүрүлүшү жеңил жана аз маалыматты талап кылган ыкмалар өзгөчө ресурстары чектелген чөйрөлөр үчүн маанилүү болуп саналат.

Deep GLR сыяктуу изилдөөлөр медициналык жасалма интеллектте эң жогорку упай издөөнүн жетиштүү эмес экенин эскертет. Айрым учурда кичирээк, бирок түшүнүктүрүүк жана колдонууга ыңгайлуу моделдер дагыл баалуу болушу мүмкүн.

Эске алыш керек болгон пункттар

Бул эмгек саламаттык сактоо менен байланыштуу болгондуктан, кылдат окулушу керек.

Биринчи кезекте, иш алдын ала басылма болуп саналат. Анын илимий кароодон өткөнүн болжолдоп болбойт.

Экинчиден, эксперименттер бир гана эталон маалымат топтому боюнча жүргүзүлгөн. Ар кандай анатомиялык аймактарда, ар кандай сканер түрлөрүндө, ар кандай протоколдор менен жана чын клиникалык шарттарда жыйынтыктар өзгөрүшү мүмкүн.

Үчүнчүдөн, ыкма 2D бөлүкчөлөрдө иштейт. Клиникага караштуу CT сканерлери көп учурда 3D көлөмүндө бааланат. Бөлүкчөлөр арасындагы байланышты колдонбой койгондо кээ бир маалыматтардын жоголушуна алып келиши мүмкүн.

Төртүнчүдөн, Deep GLR да аз параметр жана аз маалымат менен иштесе да эң өнүккөн ыкмалар менен айкын сапат айырмасы бар.

Бешинчи катары менен, PSNR жана SSIM сыяктуу сандык метрикалар пайдалуу; бирок клиникалык диагноз үчүн өзүнчө жетиштүү эмес. Радиологдун баалоосу жана милдетке негизделген өлчөмдөр талап кылынат.

Акырында, бул мазмун медициналык кеңеш эмес. CT дозасы, сүрөт тартуу ыкмасы же диагноз чечимин тек гана саламаттык сактоо адистери бериши керек.

Жыйынтык

Бул изилдөө төмөн дозалуу CT кайра түзүү үчүн кичинекей жана маалыматты үнөмдүү жасалма интеллектинин мүмкүн болорун көрсөтүүдө.

Deep GLR; графикалык негиздеги жөнгө салуу, классикалык PFBS оптимизация жана жеңил CNN модулдарын бириктирип, FBP га караганда белгилүү сапат жогорулаганын камсыз кылды. Ыкма болгону 91.848 параметр жана 1000 окутуу мисалы менен 30,70 dB PSNR маанисине жеткен.

Бирок жыйынтыктар эң өнүккөн ыкмаларды тейлей албайт жана клиникалык колдонууга даяр дегенди билдирбейт. Изилдөөнүн чыныгы мааниси булактар чектелген медициналык сүрөттөө сценарийлери үчүн сапат-натыйжалуулук тең салмактуулугун изилдөөнү камтыйт.

Бул макаланын эң маанилүү билдирүүсү төмөнкүдөй:

Медициналык жасалма интеллектте чоңураак модель ар дайым жалгыз жол эмес; туура математикалык структура жана натыйжалуу үйрөнүү чектелген ресурстарда да маанилүү жакшыртууну камсыз кыла алат.

Булак жана ыкма эскертмеси

Бул мазмун, Veera Varuni Radhakrishnan, Chinthaka Dinesh жана Qurat-ul-Ain Azim тарабынан даярдалган "Parameter-Efficient CT Reconstruction via Deep Graph Laplacian Regularization" аттуу академиялык эмгектен пайдаланып, Verianla редактордук форматта оригиналдуу түрдө даярдалган.

Бул изилдөө arXiv платформасында жарыяланган preprint болуп эсептелет. Мазмуну маалымат берүү жана билим берүү максатында. Медициналык диагноз, дарылоо, сүрөттөө протоколу, радиация дозасын аныктоо же клиникалык колдонмо сунушунун ордун толтурууга арналган эмес.