Dual-Domain Tensor Denoising (DuTD), ni mbinu ya ujifunzaji wa kina ya nyanja mbili iliyotengenezwa ili kuondoa kelele kwa wakati mmoja katika data za picha za tensor ya usambaaji zilizopatikana kwa kutumia mielekeo sita tu ya usambaaji, ambayo ndiyo kiwango cha chini cha kinadharia, katika nyanja ya picha na pia katika nyanja ya vigezo vya kifizikia vya tensor ya usambaaji. Lengo la utafiti ni kurejesha, kwa usahihi wa juu iwezekanavyo kutoka kwa data ya kuingiza yenye mielekeo sita pekee, ukadiriaji wa kuaminika zaidi wa vigezo vya DTI na ufuatiliaji wa nyuzi ambao unaweza kupatikana kwa kutumia mielekeo mingi ya usambaaji. Katika DuTD, mtandao wa kuondoa kelele katika picha IDNet huchakata taarifa za anatomia na muundo katika picha za DWI, huku TDNet ikichakata muundo wa kifizikia wa usambaaji wa maji katika tensor ya usambaaji iliyokadiriwa kutoka kwa data ya mielekeo sita. Matokeo ya matawi mawili huunganishwa tena katika nyanja ya picha. Katika data za Human Connectome Project, DuTD iliripoti makosa madogo ya PDD, FA, AD, MD na RD kuliko mbinu zilizolinganishwa za tMPPCA, CTNet na DeepDTI; katika data za wagonjwa wa Parkinson ilionyesha faida hasa kwa MD na RD. Hata hivyo, utafiti huu ni preprint, haujapitia uhakiki wa wenzao, na haukupima moja kwa moja kwamba matumizi ya mielekeo sita hupunguza muda halisi wa uchunguzi wa kliniki kwa idadi maalum ya dakika au asilimia.

DTI ni mbinu ya MRI isiyoingilia mwili inayotoa taarifa kuhusu muundo mdogo wa tishu kwa kupima kiwango ambacho molekuli za maji husogea katika mielekeo tofauti ndani ya miundo midogo yenye mwelekeo, kama vile dutu nyeupe. Tensor ya usambaaji huwakilishwa na matriki linganifu ya 3×3 na ina vigezo sita huru. Kwa hiyo, kihisabati, angalau mielekeo sita huru ya usambaaji inahitajika kutatua tensor. Hata hivyo, katika tafiti za MRI za vitendo, mielekeo 30, 64 au zaidi inaweza kutumiwa ili kupata ustahimilivu mkubwa dhidi ya kelele ya ishara na ukadiriaji wa vigezo unaoaminika zaidi. Hasara ni kwamba mielekeo zaidi huhitaji muda mrefu zaidi wa kukusanya data.

Wazo kuu la DuTD ni kwamba kelele isichukuliwe tu kama uharibifu wa pikseli katika picha. Tensor ya usambaaji hubeba muundo wa kifizikia wa mwendo wa molekuli za maji ndani ya tishu. Kwa hiyo, kusafisha pia tensor iliyokokotolewa kutoka kwenye picha yenye kelele huruhusu taarifa ya anatomia ya picha kutumiwa pamoja na taarifa ya kifizikia ya usambaaji. Neno “dual-domain” katika utafiti linarejelea hasa viwango hivi viwili vya uwakilishi.

Katika majaribio ya HCP, kwenye mfano mwakilishi wa DWI wa mwelekeo mmoja, Kielelezo 7 cha chanzo kinaonyesha PSNR ya 32,17 dB kwa picha ghafi, 34,29 dB kwa tMPPCA, 36,77 dB kwa CTNet, 37,09 dB kwa DeepDTI na 37,94 dB kwa DuTD. Katika uchanganuzi wa usambazaji wa picha 1.260 za DWI katika seti ya majaribio ya ubongo mzima, waandishi pia wanaripoti kwamba DuTD ilitoa mediani ya PSNR iliyo juu zaidi na usambazaji wa SSIM uliobana zaidi.

Kwa Nini DTI Inahitaji Angalau Mielekeo Sita ya Usambaaji?

Kwa kuwa tensor ya usambaaji ni matriki linganifu ya 3×3, ina vipengele vitatu vya diagonal na vipengele vitatu huru vya nje ya diagonal, yaani jumla ya vigawo sita huru; kwa hiyo, kinadharia, vipimo katika angalau mielekeo sita huru ya usambaaji vinahitajika ili kutatua tensor. Mielekeo zaidi inaweza kuongeza sampuli ya mfumo wa milinganyo, hivyo kuboresha ustahimilivu dhidi ya kelele na uthabiti wa ukadiriaji wa vigezo, lakini pia huongeza muda wa kukusanya data za MRI.

Ishara yenye uzito wa usambaaji katika pikseli moja inaelezwa katika chanzo kwa modeli ifuatayo:

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

Hapa \(S_q(p)\) ni ishara iliyopimwa ya pikseli \(p\) katika mwelekeo wa \(q\) wa usambaaji. \(S_0(p)\) ni ishara ya marejeo isiyo na uzito wa usambaaji katika hali ya \(b=0\). \(\mathbf{a}_q\) ni vekta ya mwelekeo wa gradienti ya usambaaji iliyotumika. \(\mathbf{D}(p)\) ni tensor ya usambaaji katika pikseli, na \(n_q(p)\) inamodeliwa katika chanzo kama kelele ya Rician.

Chanzo kinafafanua thamani ya \(b\) kulingana na nguvu na upangaji wa muda wa gradienti kama ifuatavyo:

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

\(\gamma\) inaonyesha uwiano wa gyromagnetic, na \(G(t)\) inaonyesha tabia ya gradienti ya usambaaji kadri muda unavyopita. Muundo huu unaonyesha kwamba kupungua kwa ishara katika picha si mabadiliko ya nasibu ya kontrasti pekee; kunatokana na mwingiliano wa kihisabati kati ya gradienti iliyotumika na usambaaji wa maji wenye mwelekeo katika tishu.

Tensor ya usambaaji

Katika chanzo tensor ya usambaaji inaonyeshwa kwa matriki linganifu ifuatayo:

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

Vigawo sita huru:

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

vinaweza kuwakilishwa kama vekta kwa namna hii. Kwa matriki ya usanifu iliyoundwa kulingana na mielekeo ya usambaaji, modeli ya ishara ya logarithmu:

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

hupunguzwa hadi katika umbo hili.

Chanzo kinahalalisha kwamba kelele ya picha ya Rician inaweza, baada ya ubadilishaji wa logarithmu na chini ya dhana ya SNR ya juu, kuonyesha takriban tabia ya Gaussian kwa kutumia ukaribiaji ufuatao:

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

Chini ya ukaribiaji huu, ukadiriaji wa kawaida wa least squares kwa vigezo vya tensor ya usambaaji:

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

huandikwa kwa namna hii. Chanzo kinarejelea “Appendix A” kwa ufafanuzi wa kina wa Mlinganyo 5; hata hivyo, Appendix A haipo katika PDF ya kurasa 10 iliyopakiwa. Kwa hiyo, derivation ya ziada haipaswi kuundwa upya kana kwamba ipo katika chanzo.

FA, MD, AD na RD Zinawakilisha Nini?

Thamani-eigen za tensor ya usambaaji huruhusu kukokotolewa kwa vigezo vya kiasi vinavyotumiwa sana katika DTI.

Tafsiri hizi za kibayolojia si viashiria vinavyoweza kutoa utambuzi peke yake. Lengo la utafiti ni kuwezesha ukadiriaji sahihi zaidi wa vigezo hivi kutoka kwa DTI ya mielekeo sita; si kutambua ugonjwa wa Parkinson kwa kutumia DuTD.

Mielini na usambaaji wa maji wenye mwelekeo

Kielelezo 3 katika ukurasa wa 3 wa chanzo kinaonyesha kwa dhana kwamba anisotropia ya mwelekeo wa usambaaji wa maji hupungua kadri uharibifu wa mielini katika seli ya neva unavyoongezeka. Kielelezo hicho ni mchoro elekezi wa kibayomedikali uliotengenezwa kwa BioGDP; hakipaswi kufasiriwa kama picha ya moja kwa moja ya histolojia au mikroskopia kutoka kwa mgonjwa.

Uhusiano huu wa kifizikia ndio msingi wa tawi la nyanja ya vigezo la DuTD. Hata kama mwonekano wa picha hubadilika kati ya picha zenye kelele na picha za SNR ya juu, fizikia ya msingi ya usambaaji wa tishu inabaki imefungamana na muundo uleule wa kibayolojia. Waandishi hutumia taarifa hii ya kifizikia kama daraja la maarifa ya awali.

DuTD Ni Nini na Uondoaji wa Kelele wa Nyanja Mbili Hufanyaje Kazi?

DuTD, ni usanifu wa ujifunzaji wa kina wa nyanja mbili unaosafisha picha za DWI katika nyanja ya picha kwa IDNet na tensor za usambaaji zilizokadiriwa kutoka kwa picha hizo katika nyanja ya vigezo vya kifizikia kwa TDNet, kisha kugeuza tensor iliyosafishwa kurudi katika nyanja ya picha na kuunganisha matokeo mawili kwa uzani. Hivyo, tekstua ya anatomia ya picha na muundo wa kifizikia wa tensor ya usambaaji wa maji huchangia uamuzi uleule wa mwisho wa denoising.

Nyanja ya picha: IDNet

Kazi ya IDNet ni kupunguza kelele katika picha za DWI kwa kutumia muundo wa anatomia unaoshirikiwa na sifa za ishara maalum kwa kila mwelekeo zinazobebwa na picha ya b=0 pamoja na mielekeo sita ya usambaaji.

Chanzo kinaeleza kuwa ingizo la IDNet linajumuisha picha ya b=0 na kundi la picha za mielekeo sita. Hivyo, mtandao unaweza kutumia si tu kipande kimoja cha DWI bali pia ufanano wa kimuundo kati ya chaneli.

Nyanja ya vigezo: TDNet

Ingizo la TDNet ni ramani ya tensor ya usambaaji iliyokokotolewa kutoka kwa DTI ya mielekeo sita kwa mbinu ya least squares. Lengo hapa si kusafisha tu intensiti za picha, bali pia vipengele sita vya tensor vinavyoeleza usambaaji wa maji katika tishu.

Tensor iliyosafishwa na TDNet baadaye hugeuzwa tena kuwa nyanja ya picha katika mielekeo sita ya usambaaji iliyotolewa.

Kuunganisha nyanja mbili

Katika Mlinganyo 7 wa chanzo, tokeo la mwisho linafafanuliwa kwa muunganiko wenye uzani ufuatao:

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

\(\widehat{\mathcal I}^{D_6}_{6}\) inawakilisha kundi la DWI lililosafishwa na IDNet katika nyanja ya picha; \(\mathcal I^{\widehat D_6}_{6}\) ni matokeo yanayopatikana kwa kugeuza tensor iliyosafishwa na TDNet kurudi katika nyanja ya picha; na \(\lambda\) ni mgawo wa uzani unaoamua mchango wa nyanja hizo mbili.

Chanzo hakitoi thamani ya nambari ya \(\lambda\) katika sehemu ya mbinu; kwa hiyo thamani hiyo haipaswi kubuniwa.

Funksheni za mtandao za IDNet na TDNet

Chanzo kinafafanua matawi mawili kwa usanifu wa DNet unaofanana lakini kwa uzani tofauti unaoweza kujifunzwa:

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

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

\(\Theta^I\) ni uzani wa mtandao wa nyanja ya picha, na \(\Theta^D\) ni uzani wa mtandao wa nyanja ya tensor. Hivyo, ingawa matawi mawili yanafanana kimuundo, si mtandao mmoja unaoshiriki vigezo vilevile.

Usanifu wa DNet

Katika chanzo DNet inaelezwa kama usanifu wa encoder–decoder wenye umbo la U na tabaka tano. Tofauti muhimu na miundo ya kawaida ya aina ya U-Net ni kwamba ili kuhifadhi maelezo, picha na ramani za sifa huchakatwa kwa azimio kamili bila kutumia down-sampling.

Moduli ya Skip Residual

Moduli ya Skip Residual (SR) hutumiwa kupunguza athari ya gradient vanishing katika mitandao ya kina na kuunganisha sifa zinazokamilishana za picha ya b=0 na chaneli za DWI katika mielekeo tofauti.

Moduli ya SR ina tabaka mbili za convolution na moduli moja ya squeeze-and-excitation (SE) channel attention. Katika hatua ya Squeeze, taarifa ya kimataifa ya kila chaneli hukusanywa kwa global pooling; katika hatua ya excitation, uzani hutengenezwa kulingana na umuhimu wa jamaa wa chaneli. Hivyo mtandao unaweza kuzingatia zaidi chaneli zinazobeba taarifa za kimuundo zenye manufaa zaidi.

Kwa Nini Kutumia Nyanja ya Picha na Tensor Pamoja Kunaweza Kuwa Bora Kuliko Kutumia Nyanja Moja?

Nyanja ya picha hubeba kwa nguvu taarifa za mipaka ya anatomia, tekstua na intensiti, huku nyanja ya tensor ikiwakilisha moja kwa moja muundo wa kifizikia wenye mwelekeo wa usambaaji wa maji; DuTD imeundwa kwa dhana kwamba uwakilishi huu wawili hukamilishana. Katika utafiti wa ablation wa chanzo, majaribio yaliyotumia nyanja ya picha na nyanja ya vigezo pamoja yalitoa thamani za PSNR na SSIM zilizo juu kuliko majaribio ya nyanja moja.

Kwa mfano, katika Jedwali 4 la chanzo, bila moduli ya SR, thamani ya PSNR ya nyanja ya picha pekee ni 37,37±1,70 dB, ya nyanja ya vigezo pekee ni 36,51±1,78 dB, na nyanja zote mbili zinapotumiwa pamoja ni 37,75±1,74 dB.

Thamani za SSIM zimetolewa mtawalia kama 0,9837±0,0066, 0,9808±0,0078 na 0,9849±0,0062. Matokeo haya ndiyo ushahidi mkuu wa ablation kuhusu mchango wa nyanja mbili wa makala.

Mbinu na Matokeo ya Utafiti

Seti ya data ya HCP

Sehemu ya b=0 na b=1000 s/mm² ya data za HCP WU-Minn-Ox Consortium ilitumika. Katika utafiti, data za watu wazima 25 wenye afya ziligawanywa: 20 kwa mafunzo na 5 kwa majaribio.

Chanzo kinaeleza kuwa data za HCP zilipatikana kwa mfumo wa 3 T Siemens Skyra MRI na sekvensi ya multiband diffusion.

Athari za mandharinyuma ziliondolewa kwa skull mask na hazikujumuishwa katika ukokotoaji wa loss function wala metrika za tathmini. Kila seti ya data ya ubongo mzima ilinormalishwa kulingana na intensiti yake ya juu zaidi.

Seti ya data ya wagonjwa wa Parkinson

Seti binafsi ya data ya Parkinson ilikusanywa kutoka kwa wagonjwa 12 waliojitolea katika Shandong Provincial Hospital Affiliated to Shandong First Medical University. Umri ulikuwa 55–74, na chanzo kinatoa nambari ya idhini ya kamati ya maadili kuwa 2023-672.

Data za DICOM zilibadilishwa kuwa NIfTI kwa kutumia MRIcron. Skull stripping na eddy-current correction zilifanywa kwa FSL; fractional intensity threshold ya skull stripping ilitolewa kuwa 0,4.

Maelezo ya mafunzo

Kwa kuwa ukubwa wa nambari wa ramani za tensor ni mdogo, wakati wa mafunzo ziliongezwa kwa kipengele cha 1000 na baada ya denoising zikagawanywa tena kwa 1000 ili kurudishwa kwenye kiwango cha kawaida cha amplitude.

Mbinu zote ziliendeshwa kwenye CentOS 7 katika seva yenye CPU mbili za 2,2 GHz Intel Xeon zenye jumla ya cores 24, RAM ya 128 GB na GPU nane za Nvidia T4.

Metrika za tathmini

Utafiti unatathmini utendaji katika viwango vitatu: ubora wa picha, usahihi wa vigezo vya usambaaji na traktografia ya nyuzi za neva.

PSNR

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

PSNR huonyesha kwa logarithmu uwiano wa kosa la pikseli la picha iliyofanyiwa denoising dhidi ya marejeo kwa kipimo cha ishara. Thamani ya juu humaanisha kosa dogo.

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 hupima ufanano wa kimuundo kwa kutumia mahusiano ya mwangaza, variance na covariance. Kukaribia thamani ya moja huonyesha ufanano wa kimuundo ulio juu zaidi.

MAE kwa vigezo vya usambaaji

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

MAE ya chini inaonyesha kwamba ramani ya FA, MD, AD au RD iko karibu zaidi na kigezo cha marejeo.

Kosa la pembe la PDD

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

Kosa la PDD liko kati ya 0° na 90°. Thamani inapokaribia 0°, inaonyesha kwamba mwelekeo mkuu wa usambaaji uliokokotolewa unaendana vizuri zaidi na eigenvector ya marejeo.

Kigawo cha Dice kwa traktografia ya nyuzi

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

\(\mathcal T\) inawakilisha ramani ya trakt ya nyuzi ya marejeo, na \(\widehat{\mathcal T}\) inawakilisha ramani ya trakt iliyopatikana kutoka kwa data iliyofanyiwa denoising. Dice ya juu zaidi inalingana na mwingiliano mkubwa zaidi wa anga kati ya ramani mbili za nyuzi.

HCP: Ubora wa picha

Katika Kielelezo 7 cha ukurasa wa 6 wa chanzo, matokeo ya PSNR ya kipande mwakilishi cha DWI cha mwelekeo mmoja ni kama ifuatavyo:

Thamani hizi ni za picha moja mwakilishi. Usambazaji wa Kielelezo 8 uliotayarishwa kwa picha 1.260 za DWI katika seti ya majaribio ya ubongo mzima unaonyesha, kulingana na tafsiri ya waandishi, kwamba DuTD ilitoa mediani ya juu zaidi ya PSNR na usambazaji wa SSIM uliobana zaidi.

HCP: Makosa ya vigezo vya usambaaji

Katika jedwali la chanzo PDD imetolewa kwa digrii; kwa AD, MD na RD kitengo kimetolewa kama mm²/ms. Vipengele vya kuongeza kipimo vimehifadhiwa kama vilivyoonyeshwa katika jedwali.

Katika jedwali hili DuTD ina thamani ya chini zaidi ya kosa katika metrika zote zilizoripotiwa.

Uchanganuzi wa kuona wa FA na mwelekeo mkuu wa usambaaji

Kielelezo 9 katika ukurasa wa 7 kinalinganisha ramani za FA na ramani za kosa kamili dhidi ya marejeo. Waandishi wanaripoti kwamba DuTD huhifadhi vizuri zaidi anisotropia ya tishu ya ndani, hasa katika maeneo yenye intensiti ndogo.

Kielelezo 10 katika ukurasa wa 8 kinaonyesha ramani za pseudocolor na kosa la pembe la eigenvector kuu. Makosa ya PDD yaliyotolewa katika kipande mwakilishi ni 19,73° kwa data ghafi, 17,34° kwa tMPPCA, 16,00° kwa CTNet, 14,41° kwa DeepDTI na 14,25° kwa DuTD.

Katika ramani ya rangi ya FA ya Kielelezo 11, matokeo ya DuTD yanaonekana karibu na marejeo; sifa za mwelekeo za miundo ya dutu nyeupe kama maeneo ya genu na splenium ya corpus callosum na superior longitudinal fasciculus zimehifadhiwa.

Traktografia ya nyuzi za corpus callosum

Fiber tracking ilifanywa kwa DSI Studio. Vigezo vilivyotolewa katika chanzo:

• Kizingiti cha FA: 0,2
• Kizingiti cha pembe: 35°
• Idadi ya seed point: 250.000
• Mbinu ya ujumuishaji: Euler

Matokeo ya Jedwali 2 la chanzo:

DuTD inatoa kigawo cha juu zaidi cha Dice kati ya mbinu zilizolinganishwa. Tract count kuwa juu zaidi pekee hakumaanishi traktografia sahihi zaidi; chanzo pia hutumia mwingiliano wa Dice tofauti katika tathmini ya usahihi, na idadi ya nyuzi za marejeo haijatolewa katika Jedwali 2.

Matokeo ya seti ya data ya Parkinson

Kwa mujibu wa Jedwali 3, DuTD inatoa kosa la nambari la chini zaidi kwa PDD, AD, MD na RD, huku kosa la chini zaidi la FA likiwa la DeepDTI. Katika sehemu ya matokeo, waandishi wanasisitiza faida kuu ya DuTD kwenye data za Parkinson hasa kupitia MD na RD.

Katika ulinganisho wa FA color map kwenye kurasa 8 na 9, imeelezwa kwamba tMPPCA inaonyesha baadhi ya uharibifu na sifa zisizo sahihi za usambaaji kwenye mpaka wa dutu kijivu-na-nyeupe, huku CTNet na DuTD zikiwa karibu zaidi na marejeo katika eneo lililoashiriwa.

Utafiti wa ablation

Uchanganuzi wa ablation unalinganisha mchango wa nyanja ya picha, nyanja ya vigezo na matumizi ya nyanja mbili katika picha 420 za HCP DTI.

Jedwali linaonyesha kwamba majaribio ya nyanja mbili yalizalisha PSNR na SSIM zilizo juu kuliko majaribio ya nyanja moja. Moduli ya SR huongeza PSNR kwa kiasi kidogo sana katika ulinganisho wote watatu. Hata hivyo, athari kwa SSIM si ya mwelekeo mmoja: kuna kupungua kwa 0,0001 katika matokeo ya nyanja ya picha na nyanja mbili, na kuongezeka kwa 0,0001 katika matokeo ya nyanja ya vigezo.

Dokezo la kutokulingana ndani ya chanzo: Katika maandishi ya sehemu ya ablation imeandikwa kwamba majaribio yaliyotumia SR ni 1, 3 na 5, wakati alama za Jedwali 4 zinaonyesha kwamba SR ilitumika katika majaribio namba 2, 4 na 6. Mabadiliko ya PSNR katika jedwali na sentensi “SR module slightly improves PSNR” yanaendana na tafsiri ya 2, 4 na 6. Hapa data za jedwali zimehifadhiwa na mkanganyiko wa maandishi haujafichwa.

DuTD ya Mielekeo Sita Hupunguza Muda wa Kliniki wa MRI kwa Kiasi Gani?

Utafiti unasema kwamba uwezo wa DuTD kupunguza idadi ya mielekeo inayohitajika katika DTI hadi kiwango cha chini cha kinadharia cha sita unaweza kupunguza sana muda wa upigaji picha; hata hivyo, chanzo hakikupima moja kwa moja dakika zilizookolewa au asilimia ya kupungua kwa muda katika skani ya kliniki ya kweli ya prospektivu yenye mielekeo sita. Kwa skani ya mielekeo 128 ya seti ya data ya Parkinson, muda wa jumla wa upatikanaji wa dakika 47 uliripotiwa, lakini chanzo hakiungi mkono kukokotoa muda mpya uliothibitishwa wa DuTD ya mielekeo sita kutoka kwenye nambari hii.

Kwa hiyo, kauli inayoungwa mkono na utafiti ni:

“Ikiwa ukadiriaji wa vigezo wa ubora wa juu kwa data ya mielekeo sita utafanikiwa, kuna uwezekano wa kupunguza muda wa skani ya DTI.”

Kauli ambayo utafiti hauungi mkono ni:

“DuTD hupunguza skani ya kliniki hadi dakika X kwa uhakika.”

Matokeo yanayoungwa mkono na utafiti

• DuTD huunganisha nyanja ya picha na nyanja ya vigezo vya tensor ya usambaaji ndani ya mfumo mmoja wa denoising.
• Katika majaribio ya HCP, mbinu ya nyanja mbili ilizalisha PSNR na SSIM zilizo juu kuliko ablation za nyanja moja.
• Katika Jedwali 1 la HCP, DuTD ilitoa makosa ya chini zaidi kati ya mbinu zilizolinganishwa kwa PDD, FA, AD, MD na RD.
• Katika uchanganuzi wa corpus callosum, DuTD ilitoa mwingiliano wa juu zaidi kati ya mbinu zilizolinganishwa, kwa Dice ya %63,18.
• Katika data za Parkinson, DuTD ilionyesha MAE ndogo kuliko DeepDTI hasa kwa MD na RD.
• Mielekeo sita ndiyo kiwango cha chini cha kinadharia cha kutatua vigezo sita huru vya tensor ya kawaida ya usambaaji.

Matokeo ambayo utafiti hauungi mkono

• Haijaonyeshwa kwamba DuTD hutambua ugonjwa wa Parkinson.
• Haijapimwa moja kwa moja kwamba DuTD ya mielekeo sita hupunguza muda wa skani ya kliniki kwa asilimia au dakika maalum.
• Matokeo kutoka kwa wagonjwa 12 wa Parkinson hayawezi kujumlishwa kwa watu wote wenye Parkinson.
• Haijathibitishwa kwamba modeli itatoa utendaji uleule katika hospitali tofauti, watengenezaji tofauti wa MRI, b-values tofauti na itifaki tofauti.
• PSNR au SSIM ya juu haionyeshi moja kwa moja kwamba usahihi wa utambuzi wa kliniki umeongezeka.
• Tract count ya juu zaidi pekee haimaanishi ujenzi upya wa nyuzi ulio sahihi zaidi.
• Utafiti si chapisho la mwisho lililopitia uhakiki wa wenzao.

Nguvu za utafiti

Nguvu muhimu ya kimbinu ya utafiti ni kwamba hauachi urejeshaji wa picha utegemee tu ufanano wa kuona katika nafasi ya picha. Jaribio la kuingiza taarifa ya kifizikia yenye mwelekeo ya tishu kwenye modeli kupitia tensor ya usambaaji ni chaguo lenye maana la usanifu katika mbinu ya upigaji picha kama DTI ambayo inahusishwa kwa karibu na modeli ya kifizikia.

Nguvu ya pili ni kwamba tathmini haijawekewa kikomo cha PSNR na SSIM pekee. Vipimo vya downstream vya kifizikia na anatomia kama FA, MD, AD, RD, PDD na traktografia ya nyuzi za corpus callosum pia vimechunguzwa.

Nguvu ya tatu ni kwamba pamoja na data za watu wazima wenye afya za HCP, tathmini pia ilifanywa kwenye data binafsi za wagonjwa wa Parkinson zilizopatikana kwa mfumo wa MRI kutoka kwa mtengenezaji tofauti.

Vikwazo vikuu na mpaka wa tafsiri

Seti ya data ya Parkinson ina wagonjwa 12 tu. Chanzo hakiripoti uthibitishaji mpana wa kliniki wa vituo vingi kutoka vituo tofauti.

Mbinu ilitathminiwa kwa ingizo za mielekeo sita zilizotengenezwa kutoka kwa seti za data zilizopo zenye mielekeo mingi; hakuna matumizi huru ya kiwango kikubwa yaliyoripotiwa katika mtiririko halisi wa kazi ya kliniki ambapo mielekeo sita pekee ilikusanywa kwa prospektivu tangu mwanzo.

Katika chanzo, ugumu wa modeli ya DuTD, muda wa inference au gharama ya kufanya kazi kwa wakati halisi kwenye kifaa cha kliniki haijatolewa katika jedwali la kina la utendaji.

Kuna kutokulingana kwa ndani kati ya maandishi ya ablation na Jedwali 4 kuhusu nambari za majaribio ya SR.

Utafiti bado ni preprint ambayo haijapitia uhakiki wa wenzao; matokeo hayapaswi kuzingatiwa kama ushahidi wa mwisho uliopitiwa na wenzao.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Dual-Domain Denoising with Minimal Number of Directions for Diffusion Tensor Imaging

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

Mchango sawa: Haoyu Zhang na Di Guo

Waandishi wanaowajibika: Tao Gong na Xiaobo Qu

Taasisi: 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.

Aina ya chanzo: Makala ya utafiti ya preprint.

Hali ya uchapishaji: PDF ina kauli “Preprint submitted to Elsevier”.

Hali ya uhakiki: Chanzo kinasema wazi: “This preprint research paper has not been peer reviewed”.

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

DOI: Haijaonyeshwa katika PDF iliyopakiwa.

Leseni: Hakuna leseni wazi iliyoonyeshwa katika PDF ya chanzo.

Mbinu kuu: Dual-Domain Tensor Denoising (DuTD), IDNet katika nyanja ya picha na TDNet katika nyanja ya tensor/vigezo.

Vyanzo vikuu vya data: Human Connectome Project na data za wagonjwa wa Parkinson kutoka Shandong Provincial Hospital.

Idhini ya maadili ya Parkinson: No. 2023-672.

Mbinu za kulinganisha: tMPPCA, CTNet na DeepDTI.

Metrika kuu za tathmini: PSNR, SSIM, FA/MD/AD/RD MAE, kosa la pembe la PDD na kigawo cha Dice.

Ufadhili: Utafiti uliungwa mkono kwa sehemu na 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) na China Postdoctoral Science Foundation (2022M711987).

Mgongano wa maslahi: Chanzo kinaripoti kwamba C. Qian, R. Song na X. Jiang ni wafanyakazi wa Neusoft Medical Systems Co., Ltd.

Kutokulingana muhimu ndani ya chanzo: Nambari za majaribio ya SR katika maelezo ya ablation hazilingani na alama za SR katika Jedwali 4. Jedwali 4 linaonyesha SR katika majaribio namba 2, 4 na 6.

Mpaka mkuu wa tafsiri: Matokeo yanahusu utendaji wa denoising ya picha na ujenzi upya wa vigezo vya usambaaji/traktografia. Utafiti hautoi matokeo ya moja kwa moja kuhusu usahihi wa utambuzi wa kliniki, matokeo ya mgonjwa au muda halisi wa skani ya kliniki ya mielekeo sita.