Dual-Domain Tensor Denoising (DuTD), теориялык минимум болгон алты диффузия багытынан алынган диффузиялык тензордук сүрөттөө маалыматтарын сүрөт мейкиндигинде да, диффузия тензорунун физикалык параметрлер мейкиндигинде да бир убакта ызы-чуудан тазалоо үчүн иштелип чыккан кош-мейкиндиктүү терең үйрөнүү ыкмасы. Изилдөөнүн максаты — көп сандагы диффузия багыттары камсыз кыла ала турган ишенимдүүрөөк DTI параметрлерин баалоону жана була көзөмөлүн болгону алты багыттуу кириш маалыматтан мүмкүн болушунча жогорку тактыкта кайра алуу. DuTDде сүрөт-denoising тармагы IDNet DWI сүрөттөрүндөгү анатомиялык жана түзүмдүк маалыматты иштетсе, TDNet алты багыттуу маалыматтан бааланган диффузия тензорундагы физикалык суу диффузиясынын үлгүсүн иштетет. Эки бутактын чыгышы кайра сүрөт мейкиндигинде бириктирилет. Human Connectome Project маалыматтарында DuTD салыштырылган tMPPCA, CTNet жана DeepDTI ыкмаларына караганда төмөн PDD, FA, AD, MD жана RD каталарын билдирген; Паркинсон бейтаптарынын маалыматтарында өзгөчө MD жана RD боюнча артыкчылык көрсөткөн. Бирок изилдөө preprint болуп саналат, рецензиядан өтө элек жана алты багытты колдонуу чыныгы клиникалык скандоо убактысын белгилүү бир мүнөткө же пайызга кыскартарын түздөн-түз өлчөгөн эмес.

DTI — ак зат сыяктуу багыттуу микротүзүмдөрдө суу молекулаларынын ар башка багыттарда канчалык кыймылдай турганын өлчөө аркылуу ткандын микротүзүмү жөнүндө маалымат берген инвазивдүү эмес MRI ыкмасы. Диффузия тензору симметриялуу 3×3 матрица менен көрсөтүлөт жана алты көз карандысыз параметрди камтыйт. Ошондуктан математикалык жактан тензорду чечүү үчүн кеминде алты көз карандысыз диффузия багыты керек. Ал эми практикалык MRI изилдөөлөрүндө сигнал-ызы-чууга туруктуулукту жогорулатуу жана параметрлерди ишенимдүүрөөк баалоо үчүн 30, 64 же андан көп багыт колдонулушу мүмкүн. Кемчилиги — багыттар көбөйгөн сайын маалымат топтоо убактысы узарат.

DuTDнин негизги идеясы — ызы-чууну сүрөттөгү пикселдин бузулушу катары гана кароодон баш тартуу. Диффузия тензору ткандын ичиндеги суу молекулаларынын физикалык кыймыл түзүлүшүн камтыйт. Демек, ызы-чуулуу сүрөттөн эсептелген тензорду да тазалоо анатомиялык сүрөт маалыматын физикалык диффузия маалыматы менен бирге колдонууга мүмкүндүк берет. Изилдөөдөгү “dual-domain” деген аталыш дал ушул эки өкүлчүлүк деңгээлине туура келет.

HCP тесттериндеги өкүлчүлүктүү бир-багыттуу DWI мисалында булактын 7-сүрөтүндө чийки сүрөт үчүн PSNR 32,17 dB, tMPPCA үчүн 34,29 dB, CTNet үчүн 36,77 dB, DeepDTI үчүн 37,09 dB жана DuTD үчүн 37,94 dB көрсөтүлгөн. Бүт-мээ тест жыйнагындагы 1.260 DWI сүрөтүнүн бөлүштүрүү талдоосунда да авторлор DuTD жогорураак медианалык PSNR жана тыгызыраак SSIM бөлүштүрүүсүн бергенин билдиришет.

DTI Эмне Үчүн Кеминде Алты Диффузия Багытын Талап Кылат?

Диффузия тензору симметриялуу 3×3 матрица болгондуктан, үч диагоналдык жана үч көз карандысыз кайчылаш мүчө, жалпы алты көз карандысыз коэффициентти камтыйт; ошондуктан тензорду чечүү үчүн теориялык жактан кеминде алты көз карандысыз диффузия багытында өлчөө талап кылынат. Көбүрөөк багыт теңдемелер системасын ашыкча үлгүлөп, ызы-чууга туруктуулукту жана параметр баалоонун туруктуулугун жогорулата алат, бирок MRI маалымат топтоо убактысын да узартат.

Бир пикселдеги диффузия-салмакталган сигнал булакта төмөнкү модель менен берилет:

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

Бул жерде \(S_q(p)\) — \(q\)-диффузия багытындагы \(p\)-пикселдин өлчөнгөн сигналы. \(S_0(p)\) — \(b=0\) абалындагы диффузия салмагы колдонулбаган шилтеме сигнал. \(\mathbf{a}_q\) — колдонулган диффузия градиентинин багыт вектору. \(\mathbf{D}(p)\) — пикселдеги диффузия тензору, ал эми \(n_q(p)\) булакта Rician ызы-чуусу катары моделденет.

Булак \(b\)-маанисин градиент күчүнө жана убакыт параметрлерине жараша төмөнкүдөй аныктайт:

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

\(\gamma\) гиромагниттик катышты, \(G(t)\) диффузия градиентинин убакыт боюнча жүрүмүн билдирет. Бул түзүлүш сүрөттөгү сигналдын жоголушу жөн гана кокустук контраст өзгөрүүсү эмес экенин; ал колдонулган градиент менен ткандын багыттуу суу диффузиясынын математикалык өз ара аракетинен келип чыгарын көрсөтөт.

Диффузия тензору

Булакта диффузия тензору төмөнкү симметриялуу матрица менен көрсөтүлөт:

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

Алты көз карандысыз коэффициент:

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

түрүндө векторлоштурулушу мүмкүн. Диффузия багыттарына ылайык түзүлгөн дизайн матрицасы менен логарифмдик сигнал модели:

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

түрүнө келтирилет.

Булак Rician сүрөт ызы-чуусу логарифмдик өзгөртүүдөн кийин жогорку SNR божомолунда болжол менен Gaussian жүрүм-турумун көрсөтө аларын төмөнкү жакындаштыруу менен негиздейт:

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

Бул ыкманын шартында диффузия тензорунун параметрлери үчүн кеңири колдонулган эң кичине квадраттар баалоосу:

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

түрүндө жазылат. Булак 5-тендеменин кеңири негиздемеси үчүн “Appendix A”га шилтеме берет; бирок жүктөлгөн 10 беттик PDF ичинде Appendix A жок. Ошондуктан кошумча чыгаруу булакта бардай болуп кайра түзүлбөшү керек.

FA, MD, AD жана RD эмнени билдирет?

Диффузия тензорунун өздүк маанилери DTIнин кеңири колдонулган сандык параметрлерин эсептөөгө мүмкүндүк берет.

Бул биологиялык түшүндүрмөлөр өз алдынча диагноз коюучу көрсөткүчтөр эмес. Изилдөөнүн максаты бул параметрлерди алты багыттуу DTIден такыраак баалоону камсыз кылуу; DuTD аркылуу Паркинсон оорусун диагноздоо эмес.

Миелин жана багыттуу суу диффузиясы

Булактын 3-бетиндеги 3-сүрөт нерв клеткасында миелин жабыркашы көбөйгөн сайын суу диффузиясынын багыттык анизотропиясы азайышын концептуалдык түрдө көрсөтөт. Сүрөт BioGDP менен тартылган түшүндүрмө биомедициналык диаграмма; аны түздөн-түз гистологиялык сүрөт же бейтаптан алынган микроскопия катары чечмелөөгө болбойт.

Бул физикалык байланыш DuTDнин параметр-мейкиндик бутагынын негиздемеси болуп саналат. Ызы-чуулуу жана жогорку-SNR сүрөттөрдүн көрүнүшү өзгөрсө да, ткандын негизги диффузия физикасы ошол эле биологиялык түзүлүшкө байланыштуу. Авторлор бул физикалык маалыматты алдын ала билим көпүрөсү катары колдонушат.

DuTD Деген Эмне жана Кош-Мейкиндиктүү Ызы-Чуу Тазалоо Кантип Иштейт?

DuTD, DWI сүрөттөрүн IDNet менен сүрөт мейкиндигинде жана ошол сүрөттөрдөн бааланган диффузия тензорлорун TDNet менен физикалык параметрлер мейкиндигинде өз-өзүнчө ызы-чуудан тазалап, тазаланган тензорду кайра сүрөт мейкиндигине өткөрүп, эки натыйжаны салмакталган түрдө бириктирген кош-мейкиндиктүү терең үйрөнүү архитектурасы. Ошентип анатомиялык сүрөт текстурасы менен суу диффузиясынын физикалык тензор түзүлүшү бир эле акыркы denoising чечимине салым кошот.

Сүрөт мейкиндиги: IDNet

IDNetтин милдети — b=0 сүрөтү жана алты диффузия багыты алып жүргөн жалпы анатомиялык түзүлүштү жана багытка мүнөздүү сигнал белгилерин колдонуп, DWI сүрөттөрүндөгү ызы-чууну азайтуу.

Булакта IDNet кириши b=0 сүрөтү жана алты багыттуу сүрөттөр тобун камтый турганы айтылат. Ошентип тармак бир эле DWI кесиминен эмес, каналдар ортосундагы түзүмдүк окшоштуктардан да пайдалана алат.

Параметрлер мейкиндиги: TDNet

TDNetтин кириши — алты багыттуу DTIден эң кичине квадраттар ыкмасы менен эсептелген диффузия тензорунун картасы. Бул жерде максат сүрөт интенсивдүүлүктөрүн гана эмес, ткандын суу диффузиясын сүрөттөгөн алты тензор компонентин да тазалоо.

TDNet ызы-чуудан тазалаган тензор андан кийин берилген алты диффузия багыты боюнча кайра сүрөт мейкиндигине өткөрүлөт.

Эки мейкиндикти бириктирүү

Булактын 7-тендемесинде акыркы чыгыш төмөнкү салмакталган айкалыш менен аныкталат:

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

\(\widehat{\mathcal I}^{D_6}_{6}\) — IDNet сүрөт мейкиндигинде тазалаган DWI тобу; \(\mathcal I^{\widehat D_6}_{6}\) — TDNet тазалаган тензорду кайра сүрөт мейкиндигине өткөрүүдөн алынган натыйжа; \(\lambda\) болсо эки мейкиндиктин салымын аныктаган салмак коэффициенти.

Булак ыкма бөлүмүндө \(\lambda\)нын сандык маанисин бербейт; ошондуктан маанини ойдон чыгарууга болбойт.

IDNet жана TDNetтин тармак функциялары

Булак эки бутакты окшош DNet архитектуралары, бирок өзүнчө үйрөнүлүүчү салмактар менен аныктайт:

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

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

\(\Theta^I\) — сүрөт мейкиндиги тармагынын, \(\Theta^D\) — тензор мейкиндиги тармагынын салмактары. Башкача айтканда, эки бутак архитектура жагынан окшош болгону менен, бирдей параметрлерди бөлүшкөн жалгыз тармак эмес.

DNet архитектурасы

Булакта DNet беш катмарлуу U-түрүндөгү encoder–decoder архитектурасы катары берилет. Классикалык U-Net сыяктуу түзүлүштөрдөн маанилүү айырмасы — деталдарды сактоо үчүн сүрөт жана белгилер карталары down-sampling колдонулбастан толук чечилиште иштетилет.

Skip Residual модулу

Skip Residual (SR) модулу терең тармактарда gradient vanishing таасирин азайтуу жана b=0 сүрөтү менен ар башка багыттардагы DWI каналдарынын толуктоочу белгилерин бириктирүү үчүн колдонулат.

SR модулу эки convolution катмарынан жана бир squeeze-and-excitation (SE) channel attention модулунан турат. Squeeze этабында global pooling аркылуу ар бир каналдын глобалдык маалыматы топтолот; excitation этабында каналдардын салыштырмалуу маанилүүлүгүнө жараша салмактар түзүлөт. Ошентип тармак пайдалуураак түзүмдүк маалымат алып жүргөн каналдарга көбүрөөк көңүл бура алат.

Эмне Үчүн Сүрөт жана Тензор Мейкиндиктерин Бирге Колдонуу Бир Мейкиндиктен Жакшыраак Болушу Мүмкүн?

Сүрөт мейкиндиги анатомиялык чет, текстура жана интенсивдүүлүк маалыматын күчтүү алып жүрсө, тензор мейкиндиги суу диффузиясынын багыттык физикалык түзүлүшүн түздөн-түз көрсөтөт; DuTD бул эки өкүлчүлүк бири-бирин толуктайт деген божомол менен иштелип чыккан. Булактын абляция изилдөөсүндө сүрөт жана параметр мейкиндиктери чогуу колдонулган эксперименттер бир-мейкиндиктүү эксперименттерге караганда жогорураак PSNR жана SSIM маанилерин берген.

Мисалы, булактын 4-таблицасында SR модулусуз бир гана сүрөт мейкиндигинин PSNR мааниси 37,37±1,70 dB, бир гана параметр мейкиндигиники 36,51±1,78 dB, эки мейкиндик чогуу колдонулганда 37,75±1,74 dB болгон.

SSIM маанилери тиешелүүлүгүнө жараша 0,9837±0,0066, 0,9808±0,0078 жана 0,9849±0,0062 деп берилген. Бул жыйынтык макаланын кош-мейкиндик салымына байланыштуу негизги абляция далили.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

HCP маалымат жыйнагы

HCP WU-Minn-Ox Consortium маалыматтарынын b=0 жана b=1000 s/mm² бөлүгү колдонулган. Изилдөөдө 25 дени сак чоң кишинин маалыматынан 20сы окутууга, 5и тестке бөлүнгөн.

Булакта HCP маалыматтары 3 T Siemens Skyra MRI системасы жана multiband diffusion секвенциясы менен алынганы айтылат.

Фон таасирлери skull mask менен алынып салынган жана жоготуу функциясы менен баалоо метрикаларын эсептөөгө киргизилген эмес. Ар бир бүт-мээ маалымат жыйнагы өзүнүн максималдуу интенсивдүүлүгүнө жараша нормалдаштырылган.

Паркинсон бейтаптарынын маалымат жыйнагы

Жеке Паркинсон маалымат жыйнагы Shandong Provincial Hospital Affiliated to Shandong First Medical University мекемесинде 12 ыктыярдуу бейтаптан топтолгон. Жаш курагы 55–74 жана булак этика комитетинин бекитүү номерин 2023-672 деп көрсөтөт.

DICOM маалыматтары MRIcron аркылуу NIfTI форматына айландырылган. Skull stripping жана eddy-current correction процесстери FSL менен жүргүзүлгөн; skull stripping үчүн fractional intensity threshold 0,4 деп берилген.

Окутуу деталдары

Тензор карталарынын сандык чоңдугу төмөн болгондуктан, окутуу маалында 1000 коэффициенти менен масштабдалып, denoisingден кийин кайра 1000ге бөлүнүп нормалдуу амплитуда деңгээлине келтирилген.

Бардык ыкмалар CentOS 7 үстүндө, жалпы 24 өзөктүү эки 2,2 GHz Intel Xeon CPU, 128 GB RAM жана сегиз Nvidia T4 GPU бар серверде иштетилген.

Баалоо метрикалары

Изилдөө иштөө натыйжалуулугун үч деңгээлде баалайт: сүрөт сапаты, диффузия параметрлеринин тактыгы жана нейрондук була трактографиясы.

PSNR

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

PSNR denoised сүрөттүн шилтемеге салыштырмалуу пиксел катасынын сигнал масштабына катышын логарифмдик түрдө билдирет. Жогорку маани төмөн катаны билдирет.

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 жарыктык, дисперсия жана ковариация байланыштарын колдонуп түзүмдүк окшоштукту өлчөйт. Бирге жакындашы жогорку түзүмдүк окшоштукту билдирет.

Диффузия параметрлери үчүн MAE

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

Төмөн MAE FA, MD, AD же RD картасынын шилтеме параметрине жакыныраак экенин көрсөтөт.

PDD бурчтук катасы

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

PDD катасы 0° менен 90° арасында. Маанинин 0°га жакындашы эсептелген негизги диффузия багыты шилтеме өздүк вектору менен жакшыраак дал келгенин көрсөтөт.

Була трактографиясы үчүн Dice коэффициенти

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

\(\mathcal T\) шилтеме була тракт картасын, \(\widehat{\mathcal T}\) denoised маалымат менен алынган тракт картасын билдирет. Жогорку Dice эки була картасынын ортосунда чоңураак мейкиндиктик дал келүүгө туура келет.

HCP: Сүрөт сапаты

Булактын 6-бетиндеги 7-сүрөттө бир-багыттуу өкүлчүлүктүү DWI кесиминин PSNR жыйынтыктары төмөнкүдөй:

Бул маанилер бир гана өкүлчүлүктүү сүрөткө тиешелүү. Изилдөөнүн бүт-мээ тест жыйнагындагы 1.260 DWI сүрөтү үчүн даярдалган 8-сүрөттөгү бөлүштүрүүлөр авторлордун түшүндүрмөсүнө ылайык DuTD эң жогорку медианалык PSNR жана эң тыгыз SSIM бөлүштүрүүсүн бергенин көрсөтөт.

HCP: Диффузия параметрлеринин каталары

Булактын таблицасында PDD градус менен берилген; AD, MD жана RD үчүн бирдик mm²/ms деп көрсөтүлгөн. Масштаб көбөйткүчтөрү таблицада берилген түрүндө сакталган.

Бул таблицада DuTD билдирилген бардык метрикаларда эң төмөн ката маанисине ээ.

FA жана негизги диффузия багытынын визуалдык талдоосу

7-беттеги 9-сүрөт FA карталарын жана шилтемеге салыштырмалуу абсолюттук ката карталарын салыштырат. Авторлор DuTD айрыкча төмөн интенсивдүүлүктөгү аймактарда локалдык ткань анизотропиясын жакшыраак сактай турганын билдиришет.

8-беттеги 10-сүрөт негизги өздүк вектордун pseudocolor жана бурчтук ката карталарын көрсөтөт. Өкүлчүлүктүү кесимде билдирилген PDD каталары чийки маалымат үчүн 19,73°, tMPPCA үчүн 17,34°, CTNet үчүн 16,00°, DeepDTI үчүн 14,41° жана DuTD үчүн 14,25°.

11-сүрөттөгү FA түстүү картасында DuTD натыйжасы шилтемеге жакын көрүнөт; corpus callosumдун genu жана splenium аймактары, ошондой эле superior longitudinal fasciculus сыяктуу ак зат түзүлүштөрүнүн багыттык өзгөчөлүктөрү сакталат.

Corpus callosum була трактографиясы

Fiber tracking DSI Studio менен жүргүзүлгөн. Булакта берилген параметрлер:

• FA чеги: 0,2
• Бурч чеги: 35°
• Seed point саны: 250.000
• Интеграция ыкмасы: Euler

Булактын 2-таблица жыйынтыктары:

DuTD салыштырылган ыкмалардын арасында эң жогорку Dice коэффициентин берет. Tract count жогору болушу өз алдынча такыраак трактографияны билдирбейт; булак тактыкты баалоодо Dice дал келүүсүн өзүнчө колдонот жана шилтеме була саны 2-таблицада берилген эмес.

Паркинсон маалымат жыйнагынын жыйынтыктары

3-таблицага ылайык DuTD PDD, AD, MD жана RD үчүн эң төмөн сандык катаны берет, ал эми FAда эң төмөн ката DeepDTIге тиешелүү. Авторлор жыйынтыктар бөлүмүндө DuTDнин Паркинсон маалыматтарындагы негизги артыкчылыгын өзгөчө MD жана RD аркылуу баса белгилешет.

8- жана 9-беттердеги FA color map салыштырууларында tMPPCA боз-ак зат чек арасында айрым бузулууларды жана туура эмес диффузия белгилерин көрсөткөнү, CTNet жана DuTD белгиленген аймакта шилтемеге жакыныраак экени айтылат.

Абляция изилдөөсү

Абляция талдоосу 420 HCP DTI сүрөтүндө сүрөт мейкиндиги, параметр мейкиндиги жана кош-мейкиндик колдонулушунун салымын салыштырат.

Таблица кош-мейкиндиктүү эксперименттер бир-мейкиндиктүү эксперименттерден жогорураак PSNR жана SSIM бергенин көрсөтөт. SR модулу үч салыштыруунун баарында PSNRды өтө аз өлчөмдө жогорулатат. Ал эми SSIMге таасири бир багыттуу эмес: сүрөт-мейкиндиги жана кош-мейкиндик жыйынтыктарында 0,0001 төмөндөө, параметр-мейкиндиги жыйынтыгында 0,0001 өсүү байкалат.

Булак ичиндеги дал келбестик жөнүндө белги: Абляция бөлүмүнүн текстинде SR колдонулган эксперименттер 1, 3 жана 5 деп жазылган, бирок 4-таблицадагы белгилер SR 2, 4 жана 6 номерлүү эксперименттерде колдонулганын көрсөтөт. Таблицадагы PSNR өзгөрүүлөрү жана “SR module slightly improves PSNR” сүйлөмү 2, 4 жана 6 түшүндүрмөсүнө туура келет. Бул жерде таблица маалыматтары сакталган, тексттеги карама-каршылык жашырылган эмес.

Алты Багыттуу DuTD Клиникалык MRI Убактысын Канчага Кыскартат?

Изилдөө DuTD DTIде талап кылынган багыттардын санын теориялык минимум болгон алтыга чейин азайтуу мүмкүнчүлүгү сүрөттөө убактысын олуттуу кыскарта аларын ырастайт; бирок булак чыныгы проспективдүү алты-багыттуу клиникалык сканда үнөмдөлгөн мүнөттү же убакыттын пайыздык кыскарышын түздөн-түз өлчөгөн эмес. Паркинсон маалымат жыйнагынын 128 багыттуу сканы үчүн жалпы алуу убактысы 47 мүнөт деп берилген, бирок бул санга таянып алты багыттуу DuTD үчүн тастыкталган жаңы убакытты эсептөө булак тарабынан колдоого алынбайт.

Ошондуктан изилдөө колдогон билдирүү:

“Алты багыттуу маалымат менен жогорку сапаттагы параметр баалоо ийгиликтүү болсо, DTI скандоо убактысын кыскартуу мүмкүнчүлүгү бар.”

Изилдөө колдобогон билдирүү болсо:

“DuTD клиникалык сканды так X мүнөткө чейин кыскартат.”

Изилдөө колдогон жыйынтыктар

• DuTD сүрөт мейкиндиги менен диффузия тензорунун параметр мейкиндигин бир denoising алкагында бириктирет.
• HCP эксперименттеринде кош-мейкиндиктүү ыкма бир-мейкиндиктүү абляциялардан жогорураак PSNR жана SSIM берген.
• HCP 1-таблицасында DuTD PDD, FA, AD, MD жана RD боюнча салыштырылган ыкмалардын ичинен эң төмөн каталарды берген.
• Corpus callosum талдоосунда DuTD %63,18 Dice менен салыштырылган ыкмалардын ичинен эң жогорку дал келүүнү берген.
• Паркинсон маалыматтарында DuTD айрыкча MD жана RD үчүн DeepDTIге караганда төмөн MAE көрсөткөн.
• Алты багыт стандарттуу диффузия тензорунун алты көз карандысыз параметрин чечүү үчүн теориялык минимум.

Изилдөө колдобогон жыйынтыктар

• DuTD Паркинсон оорусун диагноздой турганы көрсөтүлгөн эмес.
• Алты багыттуу DuTD клиникалык скандоо убактысын белгилүү пайызга же мүнөткө кыскартары түздөн-түз өлчөнгөн эмес.
• 12 Паркинсон бейтаптан алынган жыйынтыктарды бүт Паркинсон популяциясына жалпылоого болбойт.
• Модель ар башка ооруканаларда, ар башка MRI өндүрүүчүлөрүндө, ар башка b-маанилерде жана ар башка протоколдордо бирдей натыйжа берери далилденген эмес.
• Жогорку PSNR же SSIM клиникалык диагностикалык тактык автоматтык түрдө жогорулаганын көрсөтпөйт.
• Жогорку tract count өз алдынча такыраак була реконструкциясын билдирбейт.
• Изилдөө рецензиядан өткөн акыркы басылма эмес.

Изилдөөнүн күчтүү жактары

Изилдөөнүн маанилүү методологиялык күчтүү жагы — сүрөттү калыбына келтирүүнү сүрөт мейкиндигиндеги визуалдык окшоштук менен гана чектебегени. Диффузия тензору аркылуу ткандын физикалык багыттык маалыматын моделге кошууга аракет кылуу DTI сыяктуу физикалык модель менен күчтүү байланышкан сүрөттөө ыкмасында маанилүү дизайн тандоосу болуп саналат.

Экинчи күчтүү жагы — баалоону PSNR жана SSIM менен гана чектебегени. FA, MD, AD, RD, PDD жана corpus callosum була трактографиясы сыяктуу downstream физикалык жана анатомиялык өлчөмдөр да изилденет.

Үчүнчү күчтүү жагы — HCP дени сак чоң кишилеринин маалыматына кошумча, башка өндүрүүчүнүн MRI системасы менен алынган жеке Паркинсон бейтаптарынын маалыматтарында да баалоо жүргүзүлгөн.

Негизги чектөөлөр жана түшүндүрмө чеги

Паркинсон маалымат жыйнагы болгону 12 бейтаптан турат. Булак ар башка борборлордон алынган кеңири көп-борборлуу клиникалык текшерүүнү билдирбейт.

Ыкма жогорку-багыттуу учурдагы маалымат жыйнактарынан түзүлгөн алты багыттуу кириштерде бааланган; чыныгы клиникалык иш агымында башынан эле алты багыт гана проспективдүү алынган көз карандысыз чоң масштабдуу колдонмо билдирилген эмес.

Булакта DuTDнин модель татаалдыгы, inference убактысы же клиникалык аппаратта реалдуу убакытта иштөө баасы кеңири өндүрүмдүүлүк таблицасы менен берилген эмес.

Абляция тексти менен 4-таблицанын ортосунда SR эксперимент номерлери боюнча ички дал келбестик бар.

Изилдөө азырынча рецензиядан өтпөгөн preprint; жыйынтыктар акыркы рецензияланган далил катары бааланбашы керек.

Булак жана Ыкма Эскертүүсү

Түпнуска аталышы: Dual-Domain Denoising with Minimal Number of Directions for Diffusion Tensor Imaging

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

Тең салым: Haoyu Zhang жана Di Guo

Жооптуу авторлор: Tao Gong жана Xiaobo Qu

Мекемелер: 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.

Булактын түрү: Preprint изилдөө макаласы.

Жарыялоо абалы: PDF “Preprint submitted to Elsevier” деген жазууну камтыйт.

Рецензия абалы: Булак ачык түрдө “This preprint research paper has not been peer reviewed” деп айтат.

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

DOI: Жүктөлгөн PDFде көрсөтүлгөн эмес.

Лицензия: Булак PDFде ачык лицензия көрсөтүлгөн эмес.

Негизги ыкма: Dual-Domain Tensor Denoising (DuTD), сүрөт мейкиндигинде IDNet жана тензор/параметр мейкиндигинде TDNet.

Негизги маалымат булактары: Human Connectome Project жана Shandong Provincial Hospital Паркинсон бейтаптарынын маалыматтары.

Паркинсон этикалык бекитүүсү: No. 2023-672.

Салыштыруу ыкмалары: tMPPCA, CTNet жана DeepDTI.

Негизги баалоо метрикалары: PSNR, SSIM, FA/MD/AD/RD MAE, PDD бурчтук катасы жана Dice коэффициенти.

Каржылоо: Изилдөө 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) жана China Postdoctoral Science Foundation (2022M711987) тарабынан жарым-жартылай колдоого алынган.

Кызыкчылыктардын кагылышы: Булак C. Qian, R. Song жана X. Jiang Neusoft Medical Systems Co., Ltd. кызматкерлери экенин билдирет.

Маанилүү булак ичиндеги дал келбестик: Абляция түшүндүрмөсүндөгү SR эксперимент номерлери 4-таблицадагы SR белгилери менен дал келбейт. 4-таблицада SR 2, 4 жана 6 номерлүү эксперименттерде көрсөтүлгөн.

Негизги түшүндүрмө чеги: Жыйынтыктар сүрөт denoising жана диффузия параметри/трактография реконструкциясынын натыйжалуулугуна тиешелүү. Изилдөө клиникалык диагностикалык тактык, бейтап жыйынтыгы же чыныгы алты-багыттуу клиникалык скандоо убактысы боюнча түз жыйынтык бербейт.