Масъала чист? Дар CT-и вояи паст садои тасвир зиёд мешавад

Томографияи компютерӣ, яъне CT, усули муҳими тасвирбардории тиббӣ мебошад, ки барои омӯзиши сохтори дохилии бадан тавассути тасвирҳои буришӣ истифода мешавад. Аммо сканҳои CT радиатсияи ионкунанда доранд. Аз ин рӯ муҳаққиқон роҳҳои кам кардани вояи радиатсияро дар ҳоле меҷӯянд, ки сифати тасвир нигоҳ дошта шавад.

CT-и вояи паст ҳадаф дорад радиатсияеро, ки бемор мегирад, кам кунад. Вале ҳар қадар воя кам шавад, додаҳои андозагирӣ пурғавғотар мешаванд. Ин метавонад дар тасвир хатҳо, норавшанӣ ё вайроншавиҳои сунъӣ эҷод кунад.

Дар ин ҷо саволи асосӣ чунин аст:

Оё аз андозагириҳои пурғавғое, ки бо вояи паст гирифта шудаанд, тасвири CT-и ба қадри кофӣ тоза ва маънодорро бозсозӣ кардан мумкин аст?

Ин таҳқиқот ба ин савол махсусан аз нуқтаи назари маҳдудияти захираҳо менигарад. Яъне танҳо намепурсад, ки “оё сифати баландтарин мумкин аст?” Ҳамзамон саволи “оё бо додаҳои камтар, параметрҳои камтар ва модели бештар тафсиршаванда сифати қобили қабул ба даст овардан мумкин аст?”-ро меомӯзад.

Бозсозии CT чӣ маъно дорад?

Дастгоҳи CT мустақиман тасвири дохили баданро намегирад. Дастгоҳ сустшавии нурҳои X-ро, ки аз кунҷҳои гуногун мегузаранд, чен мекунад. Баъд аз ин андозагириҳо, компютер тасвири сохтори дохилиро ҳисоб мекунад.

Дар мақола ин масъалаи асосӣ бо формулаи зерин нишон дода мешавад:

y = Ax + n

Ин формуларо ба таври сода чунин хондан мумкин аст:

y, додаҳои проексионие мебошанд, ки дастгоҳ чен кардааст.
x, тасвири воқеии CT мебошад, ки мо мехоҳем ба даст орем.
A, раванди физикии андозагирии скани CT-ро ифода мекунад.
n, садое мебошад, ки ба андозагирӣ ворид мешавад.

Яъне мо мустақиман тасвири тоза надорем. Аз андозагирии пурғавғо кӯшиш мекунем натиҷаи наздиктарин ба тасвири воқеиро пайдо кунем.

Аз ҳамин сабаб бозсозии CT як “масъалаи баръакс” аст. Мо аз натиҷа оғоз карда, сабабро меҷӯем. Дар вояи паст ин кор боз ҳам душвортар мешавад, зеро садо дар андозагирӣ равшантар аст.

Усули классикӣ: Чаро FBP метавонад кофӣ набошад?

Filtered Backprojection, кӯтоҳ FBP, усули классикӣ ва зуд барои сохтани тасвири CT мебошад. Аз ҷиҳати ҳисоббарорӣ амалӣ аст ва солҳои зиёд яке аз равишҳои асосӣ ба ҳисоб меравад.

Аммо дар CT-и вояи паст FBP як заъфи муҳим дорад: садои андозагирӣ метавонад бо қувва ба тасвир гузарад. Ин махсусан дар ҳолатҳои вобаста ба шумораи ками фотонҳо хатҳо ва вайроншавии ғавғоро ба вуҷуд оварда метавонад.

Дар ин таҳқиқот FBP ҳамчун нуқтаи ибтидоии асосӣ барои муқоиса истифода мешавад. Усули Deep GLR низ тасвири аввалро бо FBP оғоз мекунад ва сипас онро қадам ба қадам беҳтар кардан мехоҳад.

Deep GLR чӣ пешниҳод мекунад?

Deep GLR равиши гибридиро пешниҳод мекунад, ки оптимизатсияи классикиро бо омӯзиши амиқ муттаҳид месозад.

Ғояи асосӣ чунин аст:

Ба ҷои такя кардан ба модели комилан бузург ва мураккаби зеҳни сунъӣ, сохтори физикии CT ва муносибатҳои ҳамсоягии тасвирҳоро ба таври ошкор ба модел дохил кардан.

Deep GLR аз се қисми асосӣ иборат аст:

1. Шабакаҳои сабуки CNN
Барои пешкоркарди тасвир, баровардани хусусиятҳои пикселҳо ва омӯхтани вазни танзимсозӣ модулҳои хурди CNN истифода мешаванд.

2. Graph Laplacian Regularization
Танзимсозии бар граф асосёфта истифода мешавад, то пикселҳои монанд дар тасвир дар арзишҳои ба ҳам наздик боқӣ монанд.

3. Чаҳорчӯби оптимизатсияи PFBS
Тасвир бо равиши оптимизатсияи итеративӣ, ки Proximal Forward-Backward Splitting ном дорад, қадам ба қадам нав мешавад.

Ин сохтор ба ҷои модели “танҳо омӯзанда”, модели омӯзандаеро месозад, ки бо танзимсозии математикӣ маҳдуд карда шудааст.

Танзимсозии бар граф асосёфта чӣ маъно дорад?

Дар мақола тасвир мисли як граф фикр карда мешавад. Дар ин ҷо ҳар пиксел ҳамчун гиреҳ қабул мегардад. Байни пикселҳои наздик пайвандҳо сохта мешаванд.

Агар ду пиксел хусусиятҳои ба ҳам монанд дошта бошанд, пайванди байни онҳо қавитар мешавад. Агар хусусиятҳо фарқ кунанд, пайванд суст мегардад.

Ин шабакаи пайвандҳо ишора медиҳад, ки тасвир дар куҷо бояд ҳамвор бимонад ва дар куҷо сарҳадҳо бояд ҳифз шаванд.

Дар як тасвири CT шуш, бофтаи нарм, устухон ва сарҳадҳои узвҳо сохторҳои гуногун нишон медиҳанд. Равиши бар граф асосёфта бо ба назар гирифтани монандии пикселҳои ҳамсоя кӯшиш мекунад садоро кам кунад.

Формулаи Graph Laplacian чӣ мегӯяд?

Ифодаи асосии танзимсозӣ, ки дар мақола истифода мешавад, чунин аст:

GLR(x) = xᵀLx = Σ wij(xi − xj)²

Ин формула дар назари аввал техникӣ менамояд; аммо маънои он хеле омӯзанда аст.

xi ва xj, арзишҳои ду пиксели ҳамсоя мебошанд.
wij, вазни монандӣ байни ин ду пиксел мебошад.
L, матритсаи Лапласиани граф мебошад.
Ифодаи умумӣ пикселҳои монандеро ҷарима мекунад, ки арзишҳои хеле фарқ доранд.

Ба таври сода:

Агар ду пиксел ба ҳам монанд бошанд, модел намехоҳад арзишҳои онҳо аз ҳам хеле ҷудо шаванд.

Ин барои кам кардани садо муфид аст. Зеро садо аксаран байни пикселҳои ҳамсоя тағйироти ногаҳонӣ ва бемаънӣ ба вуҷуд меорад.

Аммо дар ин ҷо як тавозун вуҷуд дорад. Агар ҳамворкунӣ аз ҳад зиёд бошад, ҷузъиёти нозуки анатомӣ гум шуда метавонад. Аз ин рӯ муваффақияти усул ба он вобаста аст, ки ҳангоми кам кардани садо сарҳадҳои муҳимро нигоҳ дошта тавонад.

Монандии пиксел чӣ гуна ҳисоб мешавад?

Дар мақола вазни байни пикселҳои ҳамсоя бо формулаи зерин ҳисоб мешавад:

wij = exp(− ||fi − fj||² / 2ε²)

Маънои содаи ин формула чунин аст:

Агар хусусиятҳои омӯхташудаи ду пиксел ба ҳам монанд бошанд, пайванди байни онҳо қавӣ мешавад.
Агар хусусиятҳо хеле фарқ дошта бошанд, пайванд суст мешавад.

Дар ин ҷо fi ва fj, хусусиятҳои ду пиксел мебошанд, ки аз тарафи CNN омӯхта шудаанд. ε параметри паҳнои банд мебошад, ки муайян мекунад ченаки монандӣ то чӣ андоза ҳассос мешавад.

Дар таҳқиқот гузориш мешавад, ки ин ε параметр дар анҷоми омӯзиш тақрибан дар атрофи 1,25 устувор шудааст. Ин арзиш метавонад ишора кунад, ки модел ба ҷои ҳифзи тасодуфии пурра, миқёси монандии маънодорро дар тасвир омӯхтааст. Бо вуҷуди ин, ин тафсир бояд дар доираи шароити таҷрибавии худи таҳқиқот арзёбӣ шавад.

Навсозии PFBS чӣ кор мекунад?

Deep GLR тасвирро якбора тавлид намекунад. Дар оғоз аз тасвири ба воситаи FBP гирифташуда сар мекунад ва онро бо бисёр қадамҳои хурд беҳтар мекунад.

Дар мақола ин равандро метавон ҳамчун тавозуни ду нерӯи асосӣ фикр кард:

Вафодорӣ ба додаҳо:
Тасвири истеҳсолшуда бояд бо додаҳои андозагирии CT мувофиқ бошад.

Танзимсозӣ:
Тасвир бояд аз садои нолозим тоза шавад ва сохтори маънодор байни пикселҳои ҳамсоя ҳифз гардад.

Дар формула ин тақрибан бо масъалаи оптимизатсияи зерин ифода мешавад:

min 1/2 ||Ax − y||² + μ(xᵀLx)

Биёед онро сода кунем:

Ҳади аввал чен мекунад, ки тасвир то чӣ андоза ба додаҳои андозагирӣ мувофиқ аст.
Ҳади дувум ҳамвории бар граф асосёфтаи тасвирро назорат мекунад.
μ, байни ин ду ҳадаф тавозун мегузорад.

Агар μ хеле хурд бошад, садои бештар боқӣ монда метавонад. Агар μ хеле калон бошад, тасвир аз ҳад зиёд ҳамвор мешавад. Аз ин рӯ омӯхтани μ муҳим аст.

Меъмории шабака чӣ гуна сохта шудааст?

Системаи Deep GLR се модули сабуки CNN-ро истифода мебарад.

Pre-filtering Network:
Дар болои тасвири аввалини пурғавғое, ки бо FBP меояд, тозакунии пешакӣ анҷом медиҳад.

Feature Extraction Network:
Барои ҳар пиксел вектори хусусияти сеандоза мебарорад. Ин хусусиятҳо барои сохтани графи монандии пикселҳо истифода мешаванд.

Parameter Learning Network:
Барои ҳар тасвир арзиши μ-ро, ки вазни танзимсозӣ аст, меомӯзад.

Илова бар ин, дар марҳилаи охирин як шабакаи хурди паскоркард истифода мешавад. Аммо тамоми система кӯшиш намекунад як модели бузурги омӯзиши амиқ бошад. Қувваи асосии он аз муттаҳид кардани модулҳои хурди омӯзанда бо оптимизатсияи математикӣ меояд.

Шумораи умумии параметрҳо 91.848 гузориш шудааст. Ин нисбат ба баъзе равишҳои омӯзиши амиқ, ки дар мақола муқоиса шудаанд, андозаи хеле хурди моделро нишон медиҳад.

Таҷрибаҳо чӣ гуна анҷом дода шудаанд?

Муҳаққиқон усулро дар маҷмӯаи додаҳои benchmark-и CT-и вояи паст бо номи LoDoPaB-CT месанҷанд.

Ҷузъиёти барҷастаи таҷриба чунинанд:

• Қарори тасвир: 362 × 362 пиксел
• Геометрияи проексия: 1000 кунҷ ва 513 қисми детектор
• Модели садо: омори Пуассон
• Намунаи омӯзиш: 1000 тасвир
• Намунаи тасдиқ: 100 тасвир
• Давомнокии омӯзиш: 30 epoch
• Ҷамъи параметрҳо: 91.848

1000 намунаи омӯзиш танҳо ба 2,8 фоизи маҷмӯаи пурраи омӯзиш баробар аст. Ин аз ҷиҳати ҳадафи асосии таҳқиқот, яъне самаранокии додаҳо, нуқтаи муҳим мебошад.

Ҷадвали 1 чӣ нишон медиҳад?

Ҷадвали 1 дар мақола муқоисаи Deep GLR-ро бо FBP ва баъзе усулҳои benchmark нишон медиҳад.

Натиҷаҳоро чунин ҷамъбаст кардан мумкин аст:

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

Deep GLR:
PSNR: 30,70 dB
SSIM: 0,7719
Параметр: 91.848
Додаҳои омӯзиш: 1000 намуна

FBP + U-Net:
PSNR: 35,84 dB
SSIM: 0,8443
Параметр: тақрибан 500.000
Додаҳои омӯзиш: 35.820 намуна

VQ-CAE:
PSNR: 43,75 dB
SSIM: 0,96
Параметр: тақрибан 500.000
Додаҳои омӯзиш: маҷмӯаи пурраи додаҳо

Ин ҷадвал ба мо ду чизро ҳамзамон мегӯяд.

Якум, Deep GLR нисбат ба FBP-и классикӣ беҳбудии равшан медиҳад. Арзиши PSNR 6,33 dB зиёд мешавад.

Дувум, Deep GLR беҳтарин усул нест. Хусусан байни он ва VQ-CAE тақрибан 13 dB фарқи ҷиддӣ вуҷуд дорад. Яъне усул иддаои сифати максималиро надорад; онро бояд бештар ҳамчун равиши самараноке хонд, ки дар шароити додаҳои кам ва параметрҳои кам беҳбудии қобили қабул пешниҳод мекунад.

Шакли 1 чӣ мефаҳмонад?

Шакли 1 дар мақола хати кории Deep GLR-ро нишон медиҳад. Дар тасвир, тасвири CT, ки бо FBP оғоз мешавад, аз марҳилаҳои филтркунии пешакӣ ва баровардани хусусиятҳои бар CNN асосёфта мегузарад. Сипас байни пикселҳо граф сохта мешавад, танзимсозии Graph Laplacian ҳисоб мешавад ва тасвир бо итератсияҳои PFBS нав мегардад.

Паёми асосии ин тасвир чунин аст:

Deep GLR тасвири CT-ро танҳо аз як филтри CNN намегузаронад. Он тасвирро ҳамроҳ бо модели физикии андозагирӣ, монандии пиксел ва оптимизатсияи итеративӣ баррасӣ мекунад.

Аз ин рӯ ин усул метавонад мисли пуле байни оптимизатсияи классикӣ ва омӯзиши амиқи муосир фикр карда шавад.

Шакли 2 чӣ нишон медиҳад?

Шакли 2 тағйири loss ва PSNR-ро дар ҷараёни омӯзиш нишон медиҳад. Каҷҳо нишон медиҳанд, ки модел дар тӯли 30 epoch устуворона омӯхтааст ва арзиши PSNR-и тасдиқ тақрибан аз сатҳи 30 dB боло рафтааст.

Дар график дида мешавад, ки сатҳи ибтидоии FBP тақрибан дар атрофи 24,4 dB аст. Бо пешрафти омӯзиши Deep GLR, он равшан аз ин сатҳ болотар меравад.

Паёми содаи ин тасвир чунин аст:

Модел ҳатто бо додаҳои маҳдуд сохтани тасвири тозатар аз FBP-ро меомӯзад. Аммо каҷҳо муваффақияти клиникӣ не, балки беҳбудии рақамиро дар benchmark нишон медиҳанд.

Шакли 3 чӣ мефаҳмонад?

Шакли 3 барои се намунаи гуногуни беморон натиҷаҳои FBP, ground truth ва Deep GLR-ро паҳлу ба паҳлу нишон медиҳад.

Дар ҳоле ки тасвирҳои FBP садо ва вайроншавии бештар доранд, натиҷаҳои Deep GLR тозатар ва ҳамвортар менамоянд. Гарчанде контурҳои умумии сохторҳои анатомӣ нигоҳ дошта шуда бошанд, дар баъзе ҷузъиёти нозук хатари ҳамворкунии аз ҳад зиёд вуҷуд дорад.

Паёми асосии ин тасвир:

Deep GLR дар кам кардани садо тамоюли муваффақ нишон медиҳад; аммо кофӣ будани тасвир барои ташхисро танҳо бо ин тасвирҳо муайян кардан мумкин нест. Барои ин арзёбии радиолог, вазифаҳои гуногуни клиникӣ ва санҷишҳои иловагӣ бо додаҳои воқеии дастгоҳ лозиманд.

Таҳқиқот чӣ мегӯяд?

Паёми асосии таҳқиқот чунин аст:

Барои бозсозии CT-и вояи паст ҳамеша модели хеле бузург ва маҷмӯаи додаҳои хеле калон лозим набошад ҳам мумкин аст. Вақте танзимсозии бар граф асосёфта, оптимизатсияи классикӣ ва модулҳои хурди CNN якҷоя истифода мешаванд, бо захираҳои маҳдуд афзоиши маънодори сифат ба даст омаданаш мумкин аст.

Deep GLR сифати тасвирро нисбат ба FBP беҳтар мекунад. Аммо ба сатҳи пешрафтатарин усулҳои омӯзиши амиқ намерасад. Ин тарафи ростқавлона ва муҳими таҳқиқот аст: усул сифатро зиёд мекунад, вале ба ҷои “сифати беҳтарин” “сифати самаранок”-ро ҳадаф мегирад.

Ин чаро муҳим аст?

Дар соҳаи тасвирбардории тиббӣ ҷамъ кардани додаҳо ҳамеша осон нест. Бо сабаби махфияти бемор, бемориҳои нодир, фарқияти дастгоҳҳо ва мубодилаи додаҳо байни муассисаҳо, маҷмӯаҳои калони додаҳо ҳамеша дастрас буда наметавонанд.

Илова бар ин, ҳар як клиника ё маркази таҳқиқотӣ таҷҳизоти омӯзонидани моделҳои бузургро надорад. Аз ин рӯ усулҳои хурдтар, бештар тафсиршаванда ва камдода талабкунанда махсусан барои муҳитҳои дорои захираи маҳдуд муҳиманд.

Тадқиқотҳое мисли Deep GLR ёдрас мекунанд, ки дар зеҳни сунъии тиббӣ танҳо ҷустуҷӯи “баландтарин хол” кофӣ нест. Баъзан моделҳои хурдтар, вале фаҳмотар ва татбиқпазиртар низ арзишманданд.

Нуктаҳое, ки бояд ба онҳо диққат дод

Азбаски ин таҳқиқот ба соҳаи саломатӣ марбут аст, бояд бо эҳтиёт хонда шавад.

Аввалан, кор preprint аст. Набояд гумон кард, ки он аз баррасии ҳамтоён гузаштааст.

Дувум, таҷрибаҳо танҳо дар як маҷмӯаи додаҳои benchmark анҷом дода шудаанд. Дар минтақаҳои гуногуни анатомӣ, навъҳои гуногуни scanner, протоколҳои гуногун ва шароити воқеии клиникӣ натиҷаҳо метавонанд дигар шаванд.

Севум, усул дар буришҳои 2D кор мекунад. Сканҳои клиникии CT аксаран ҳамчун ҳаҷми 3D арзёбӣ мешаванд. Истифода накардани робитаи байни буришҳо метавонад боиси аз даст рафтани баъзе маълумотҳо шавад.

Чорум, гарчанде Deep GLR бо параметр ва додаҳои камтар кор мекунад, байни он ва усулҳои пешрафтатарин фарқи равшани сифат вуҷуд дорад.

Панҷум, метрикаҳои рақамӣ мисли PSNR ва SSIM фоиданоканд; аммо барои кофӣ будани ташхиси клиникӣ танҳо худ ба худ басанда нестанд. Арзёбии радиолог ва ченакҳои вазифавӣ лозиманд.

Дар охир, ин мундариҷа машварати тиббӣ нест. Вояи CT, усули тасвирбардорӣ ё қарори ташхис танҳо бояд аз ҷониби мутахассисони соҳаи саломатӣ дода шавад.

Хулоса

Ин таҳқиқот нишон медиҳад, ки барои бозсозии CT-и вояи паст равиши хурдтар ва аз ҷиҳати додаҳо самараноки зеҳни сунъӣ мумкин буда метавонад.

Deep GLR бо муттаҳид кардани танзимсозии бар граф асосёфта, оптимизатсияи классикии PFBS ва модулҳои сабуки CNN нисбат ба FBP афзоиши равшани сифат додааст. Усул танҳо бо 91.848 параметр ва 1000 намунаи омӯзиш ба арзиши PSNR-и 30,70 dB расидааст.

Аммо натиҷаҳо аз усулҳои пешрафтатарин ақиб мемонанд ва ин маънои омода будан барои истифодаи клиникиро надорад. Арзиши асосии таҳқиқот дар омӯзиши тавозуни сифат ва самаранокӣ барои сенарияҳои тасвирбардории тиббии дорои захираҳои маҳдуд аст.

Муҳимтарин паёми ин мақола чунин аст:

Дар зеҳни сунъии тиббӣ модели бузургтар ҳамеша ягона роҳ нест; сохтори дурусти математикӣ ва омӯзиши самаранок метавонанд ҳатто дар захираҳои маҳдуд беҳбудии маънодор диҳанд.

Эзоҳи манбаъ ва метод

Ин мундариҷа бо истифода аз кори академии “Parameter-Efficient CT Reconstruction via Deep Graph Laplacian Regularization”, ки аз ҷониби Veera Varuni Radhakrishnan, Chinthaka Dinesh ва Qurat-ul-Ain Azim омода шудааст, дар формати таҳририи Verianla ба таври аслӣ таҳия шудааст.

Кор ҳамчун preprint дар arXiv нашр шудааст. Мундариҷа мақсади иттилоотӣ ва омӯзишӣ дорад. Он ҷойгузини машварати ташхиси тиббӣ, табобат, протоколи тасвирбардорӣ, қарори вояи радиатсия ё тавсияи амалияи клиникӣ нест.