Dual-Domain Tensor Denoising (DuTD), faqat nazariy minimum bo‘lgan oltita diffuziya yo‘nalishidan olingan diffuziya tenzori tasvirlash ma’lumotlarini ham tasvir sohasida, ham diffuziya tenzorining fizik parametrlar sohasida bir vaqtning o‘zida shovqindan tozalash uchun ishlab chiqilgan ikki-sohali chuqur o‘rganish usulidir. Tadqiqotning maqsadi ko‘p sonli diffuziya yo‘nalishlari ta’minlay oladigan yanada ishonchli DTI parametr baholashini va tolalarni kuzatishni faqat olti yo‘nalishli kirish ma’lumotlaridan imkon qadar yuqori aniqlikda qayta tiklashdir. DuTD’da tasvir-denoising tarmog‘i IDNet DWI tasvirlaridagi anatomik va tuzilmaviy ma’lumotni qayta ishlasa, TDNet olti yo‘nalishli ma’lumotlardan baholangan diffuziya tenzoridagi fizik suv diffuziyasi naqshini qayta ishlaydi. Ikki tarmoq chiqishi yana tasvir sohasida birlashtiriladi. Human Connectome Project ma’lumotlarida DuTD taqqoslangan tMPPCA, CTNet va DeepDTI usullariga qaraganda pastroq PDD, FA, AD, MD va RD xatolarini bildirgan; Parkinson bemorlari ma’lumotlarida ayniqsa MD va RD bo‘yicha ustunlik ko‘rsatgan. Biroq tadqiqot preprint bo‘lib, ekspert taqrizidan o‘tmagan va oltita yo‘nalishdan foydalanish haqiqiy klinik skanerlash vaqtini muayyan daqiqa yoki foiz miqdorida kamaytirishini bevosita o‘lchamagan.

DTI oq modda kabi yo‘nalishli mikrostrukturalarda suv molekulalarining turli yo‘nalishlarda qanchalik harakatlanishini o‘lchab, to‘qima mikrostrukturasi haqida ma’lumot beradigan noinvaziv MRI usulidir. Diffuziya tenzori simmetrik 3×3 matritsa bilan ifodalanadi va oltita mustaqil parametrni o‘z ichiga oladi. Shu sababli matematik jihatdan tenzorni yechish uchun kamida oltita mustaqil diffuziya yo‘nalishi kerak. Amaliy MRI tadqiqotlarida esa signal-shovqinga nisbatan yuqoriroq barqarorlik va ishonchliroq parametr baholashi uchun 30, 64 yoki undan ko‘p yo‘nalish ishlatilishi mumkin. Kamchiligi shundaki, yo‘nalishlar sonining ortishi ma’lumot yig‘ish vaqtini uzaytiradi.

DuTD’ning asosiy g‘oyasi shovqinni faqat tasvirdagi piksel buzilishi sifatida ko‘rmaslikdir. Diffuziya tenzori to‘qimadagi suv molekulalarining fizik harakat tuzilishini ifodalaydi. Shuning uchun shovqinli tasvirdan hisoblangan tenzorni ham tozalash anatomik tasvir ma’lumotidan fizik diffuziya ma’lumoti bilan birgalikda foydalanishga imkon beradi. Tadqiqotdagi “dual-domain” iborasi aynan shu ikki ifodalash darajasiga to‘g‘ri keladi.

HCP sinovlarida vakillik qiluvchi bir yo‘nalishli DWI misolida manbaning 7-rasmida xom tasvir uchun PSNR 32,17 dB, tMPPCA uchun 34,29 dB, CTNet uchun 36,77 dB, DeepDTI uchun 37,09 dB va DuTD uchun 37,94 dB ko‘rsatilgan. Butun-miya test to‘plamidagi 1.260 DWI tasvirining taqsimot tahlilida ham mualliflar DuTD yuqoriroq median PSNR va yanada zich SSIM taqsimotini berganini bildiradilar.

DTI Nega Kamida Oltita Diffuziya Yo‘nalishini Talab Qiladi?

Diffuziya tenzori simmetrik 3×3 matritsa bo‘lgani uchun uchta diagonal va uchta mustaqil ko‘ndalang had, jami oltita mustaqil koeffitsiyentni o‘z ichiga oladi; shu sababli tenzorni yechish uchun nazariy jihatdan kamida oltita mustaqil diffuziya yo‘nalishida o‘lchov talab qilinadi. Ko‘proq yo‘nalish tenglamalar tizimini ortiqcha namunalab, shovqinga barqarorlikni va parametr baholashining turg‘unligini oshirishi mumkin, biroq MRI ma’lumotlarini yig‘ish vaqtini ham uzaytiradi.

Bir pikseldagi diffuziya-og‘irlikli signal manbada quyidagi model bilan ifodalanadi:

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

Bu yerda \(S_q(p)\) — \(q\)-diffuziya yo‘nalishidagi \(p\)-pikselning o‘lchangan signali. \(S_0(p)\) — \(b=0\) holatidagi diffuziya og‘irligi qo‘llanmagan tayanch signal. \(\mathbf{a}_q\) — qo‘llangan diffuziya gradientining yo‘nalish vektori. \(\mathbf{D}(p)\) — pikseldagi diffuziya tenzori va \(n_q(p)\) manbada Rician shovqini sifatida modellashtiriladi.

Manba \(b\)-qiymatini gradient kuchi va vaqtlanishiga bog‘liq holda quyidagicha ta’riflaydi:

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

\(\gamma\) giromagnit nisbatni, \(G(t)\) esa diffuziya gradientining vaqt bo‘yicha xatti-harakatini ifodalaydi. Bu tuzilma tasvirdagi signal yo‘qolishi shunchaki tasodifiy kontrast o‘zgarishi emasligini, balki qo‘llangan gradient bilan to‘qimadagi yo‘nalishli suv diffuziyasining matematik o‘zaro ta’siridan kelib chiqishini ko‘rsatadi.

Diffuziya tenzori

Manbada diffuziya tenzori quyidagi simmetrik matritsa bilan ko‘rsatiladi:

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

Oltita mustaqil koeffitsiyent:

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

ko‘rinishida vektorlashtirilishi mumkin. Diffuziya yo‘nalishlariga ko‘ra tuzilgan dizayn matritsasi bilan logarifmik signal modeli:

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

ko‘rinishiga keltiriladi.

Manba Rician tasvir shovqini logarifmik o‘zgartirishdan so‘ng yuqori SNR farazi ostida taxminan Gaussian xatti-harakatini ko‘rsatishini quyidagi yaqinlashuv bilan asoslaydi:

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

Ushbu yondashuvda diffuziya tenzori parametrlari uchun keng tarqalgan eng kichik kvadratlar baholashi:

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

ko‘rinishida yoziladi. Manba 5-tenglamaning batafsil asoslanishi uchun “Appendix A”ga ishora qiladi; biroq yuklangan 10 sahifali PDF ichida Appendix A mavjud emas. Shu sababli qo‘shimcha keltirib chiqarish manbada bor kabi qayta yaratilmasligi kerak.

FA, MD, AD va RD nimani ifodalaydi?

Diffuziya tenzorining xos qiymatlari DTI’ning keng qo‘llaniladigan miqdoriy parametrlarini hisoblash imkonini beradi.

Bu biologik talqinlar o‘z-o‘zidan tashxis qo‘yuvchi ko‘rsatkichlar emas. Tadqiqotning maqsadi ushbu parametrlarni olti yo‘nalishli DTI’dan yanada aniqroq baholashni ta’minlashdir; DuTD yordamida Parkinson kasalligini tashxislash emas.

Miyelin va yo‘nalishli suv diffuziyasi

Manbaning 3-sahifasidagi 3-rasm nerv hujayrasida miyelin shikastlanishi ortishi bilan suv diffuziyasining yo‘nalishli anizotropiyasi kamayishini konseptual tarzda ko‘rsatadi. Rasm BioGDP bilan chizilgan izohli biotibbiy diagramma bo‘lib, bevosita gistologik tasvir yoki bemordan olingan mikroskopiya sifatida talqin qilinmasligi kerak.

Bu fizik bog‘liqlik DuTD’ning parametr-sohasi tarmog‘i uchun asosdir. Shovqinli va yuqori-SNR tasvirlar o‘rtasida tasvir ko‘rinishi o‘zgarsa ham, to‘qimaning asosiy diffuziya fizikasi bir xil biologik tuzilishga bog‘liq. Mualliflar bu fizik ma’lumotdan oldindan bilim ko‘prigi sifatida foydalanadilar.

DuTD Nima va Ikki-Sohali Shovqinni Yo‘qotish Qanday Ishlaydi?

DuTD, DWI tasvirlarini IDNet bilan tasvir sohasida va ushbu tasvirlardan baholangan diffuziya tenzorlarini TDNet bilan fizik parametrlar sohasida alohida shovqindan tozalab, tozalangan tenzorni yana tasvir sohasiga o‘girib, ikki natijani vaznli tarzda birlashtiradigan ikki-sohali chuqur o‘rganish arxitekturasidir. Shu tariqa anatomik tasvir teksturasi va suv diffuziyasining fizik tenzor tuzilishi bir xil yakuniy denoising qaroriga hissa qo‘shadi.

Tasvir sohasi: IDNet

IDNet’ning vazifasi b=0 tasviri va oltita diffuziya yo‘nalishi tashiydigan umumiy anatomik tuzilma hamda yo‘nalishga xos signal xususiyatlaridan foydalanib DWI tasvirlaridagi shovqinni kamaytirishdir.

Manbada IDNet kirishi b=0 tasviri va olti yo‘nalishli tasvirlar guruhini o‘z ichiga olishi aytiladi. Shunday qilib, tarmoq faqat bitta DWI kesimidan emas, balki kanallar orasidagi strukturaviy o‘xshashliklardan ham foydalanishi mumkin.

Parametrlar sohasi: TDNet

TDNet kirishi olti yo‘nalishli DTI’dan eng kichik kvadratlar usuli bilan hisoblangan diffuziya tenzori xaritasidir. Bu yerda maqsad faqat tasvir intensivliklarini emas, balki to‘qimadagi suv diffuziyasini tavsiflovchi oltita tenzor komponentini tozalashdir.

TDNet shovqindan tozalagan tenzor keyin berilgan oltita diffuziya yo‘nalishida yana tasvir sohasiga o‘tkaziladi.

Ikki sohani birlashtirish

Manbaning 7-tenglamasida yakuniy chiqish quyidagi vaznli birikma bilan ta’riflanadi:

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

\(\widehat{\mathcal I}^{D_6}_{6}\) — IDNet tomonidan tasvir sohasida tozalangan DWI guruhi; \(\mathcal I^{\widehat D_6}_{6}\) — TDNet tomonidan tozalangan tenzorni yana tasvir sohasiga o‘tkazish orqali olingan natija; \(\lambda\) esa ikki sohaning hissasini belgilovchi vazn koeffitsiyentidir.

Manba usul bo‘limida \(\lambda\) ning sonli qiymatini ko‘rsatmaydi; shu sababli qiymat uydirilmasligi kerak.

IDNet va TDNet tarmoq funksiyalari

Manba ikki tarmoqni o‘xshash DNet arxitekturalari, biroq alohida o‘rganiladigan vaznlar bilan ta’riflaydi:

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

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

\(\Theta^I\) tasvir sohasi tarmog‘ining, \(\Theta^D\) esa tenzor sohasi tarmog‘ining vaznlaridir. Ya’ni ikki tarmoq arxitektura jihatidan o‘xshash bo‘lsa-da, bir xil parametrlarni bo‘lishadigan bitta tarmoq emas.

DNet arxitekturasi

Manbada DNet besh qatlamli U-simon encoder–decoder arxitekturasi sifatida beriladi. Klassik U-Netga o‘xshash tuzilmalardan muhim farqi shundaki, tafsilotlarni saqlash maqsadida tasvir va xususiyat xaritalari down-sampling qo‘llanmasdan to‘liq rezolyutsiyada qayta ishlanadi.

Skip Residual moduli

Skip Residual (SR) moduli chuqur tarmoqlarda gradient vanishing ta’sirini kamaytirish hamda b=0 tasviri bilan turli yo‘nalishlardagi DWI kanallarining to‘ldiruvchi xususiyatlarini birlashtirish uchun qo‘llanadi.

SR moduli ikkita convolution qatlami va bir squeeze-and-excitation (SE) channel attention modulidan iborat. Squeeze bosqichida global pooling orqali har bir kanalning global ma’lumoti yig‘iladi; excitation bosqichida kanallarning nisbiy ahamiyatiga ko‘ra vaznlar hosil qilinadi. Shu tariqa tarmoq foydaliroq strukturaviy ma’lumot tashuvchi kanallarga ko‘proq e’tibor qaratishi mumkin.

Nega Tasvir va Tenzor Sohalarini Birgalikda Ishlatish Bitta Sohadan Yaxshiroq Bo‘lishi Mumkin?

Tasvir sohasi anatomik chekka, tekstura va intensivlik ma’lumotini kuchli tarzda olib yursa, tenzor sohasi suv diffuziyasining yo‘nalishli fizik tuzilishini bevosita ifodalaydi; DuTD ushbu ikki ifoda bir-birini to‘ldiradi degan faraz asosida yaratilgan. Manbaning ablyatsiya tadqiqotida tasvir va parametr sohalari birgalikda ishlatilgan tajribalar bir-sohali tajribalardan yuqoriroq PSNR va SSIM qiymatlarini bergan.

Masalan, manbaning 4-jadvalida SR modulisiz faqat tasvir sohasining PSNR qiymati 37,37±1,70 dB, faqat parametr sohasiniki 36,51±1,78 dB, ikki soha birgalikda ishlatilganda esa 37,75±1,74 dB bo‘lgan.

SSIM qiymatlari mos ravishda 0,9837±0,0066, 0,9808±0,0078 va 0,9849±0,0062 sifatida berilgan. Bu natija maqolaning ikki-sohali hissasiga doir asosiy ablyatsiya dalilidir.

Tadqiqot Usuli va Natijalari

HCP ma’lumotlar to‘plami

HCP WU-Minn-Ox Consortium ma’lumotlarining b=0 va b=1000 s/mm² qismi ishlatilgan. Tadqiqotda 25 sog‘lom katta yoshli shaxs ma’lumotidan 20 tasi o‘qitish, 5 tasi test uchun ajratilgan.

Manbada HCP ma’lumotlari 3 T Siemens Skyra MRI tizimi va multiband diffusion ketma-ketligi bilan olingani ko‘rsatiladi.

Fon ta’sirlari skull mask yordamida olib tashlangan va yo‘qotish funksiyasi hamda baholash metrikalarini hisoblashga kiritilmagan. Har bir butun-miya ma’lumotlar to‘plami o‘z maksimal intensivligiga ko‘ra normallashtirilgan.

Parkinson bemorlari ma’lumotlar to‘plami

Maxsus Parkinson ma’lumotlar to‘plami Shandong Provincial Hospital Affiliated to Shandong First Medical University’da 12 nafar ko‘ngilli bemordan to‘plangan. Yosh oralig‘i 55–74 bo‘lib, manba etik qo‘mita tasdiq raqamini 2023-672 deb ko‘rsatadi.

DICOM ma’lumotlari MRIcron yordamida NIfTI formatiga o‘tkazilgan. Skull stripping va eddy-current correction amallari FSL bilan bajarilgan; skull stripping uchun fractional intensity threshold 0,4 deb berilgan.

O‘qitish tafsilotlari

Tenzor xaritalarining sonli kattaligi kichik bo‘lgani sababli o‘qitish paytida 1000 koeffitsiyent bilan masshtablangan va denoisingdan so‘ng yana 1000 ga bo‘linib normal amplituda darajasiga qaytarilgan.

Barcha usullar CentOS 7 da, jami 24 yadroli ikkita 2,2 GHz Intel Xeon CPU, 128 GB RAM va sakkizta Nvidia T4 GPU mavjud serverda ishga tushirilgan.

Baholash metrikalari

Tadqiqot ishlash samaradorligini uch darajada baholaydi: tasvir sifati, diffuziya parametrlari aniqligi va neyron tolalar traktografiyasi.

PSNR

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

PSNR denoised tasvirning tayanchga nisbatan piksel xatosi va signal masshtabi nisbatini logarifmik ko‘rinishda ifodalaydi. Yuqori qiymat pastroq xatoni anglatadi.

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 yorqinlik, dispersiya va kovariatsiya munosabatlaridan foydalanib strukturaviy o‘xshashlikni o‘lchaydi. Birga yaqinlashishi yuqoriroq strukturaviy o‘xshashlikni bildiradi.

Diffuziya parametrlari uchun MAE

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

Past MAE FA, MD, AD yoki RD xaritasining tayanch parametrga yaqinroq ekanini ko‘rsatadi.

PDD burchak xatosi

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

PDD xatosi 0° bilan 90° oralig‘ida. Qiymatning 0° ga yaqinlashishi hisoblangan asosiy diffuziya yo‘nalishi tayanch xos vektor bilan yaxshiroq moslashganini ko‘rsatadi.

Tolalar traktografiyasi uchun Dice koeffitsiyenti

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

\(\mathcal T\) tayanch tolali trakt xaritasini, \(\widehat{\mathcal T}\) denoised ma’lumotdan olingan trakt xaritasini ifodalaydi. Yuqoriroq Dice ikki tolali xarita o‘rtasidagi kattaroq fazoviy ustma-ust tushishga mos keladi.

HCP: Tasvir sifati

Manbaning 6-sahifasidagi 7-rasmda bir yo‘nalishli vakillik DWI kesimining PSNR natijalari quyidagicha:

Bu qiymatlar bitta vakillik tasviriga tegishli. Tadqiqotning butun-miya test to‘plamidagi 1.260 DWI tasviri uchun tayyorlangan 8-rasm taqsimotlari, mualliflar talqiniga ko‘ra, DuTD eng yuqori median PSNR va eng ixcham SSIM taqsimotini berganini ko‘rsatadi.

HCP: Diffuziya parametrlari xatolari

Manba jadvalida PDD daraja birlikda berilgan; AD, MD va RD uchun birlik mm²/ms sifatida ko‘rsatilgan. Masshtab ko‘paytirgichlari jadvalda qanday ko‘rsatilgan bo‘lsa, shunday saqlangan.

Ushbu jadvalda DuTD xabar qilingan barcha metrikalarda eng past xato qiymatiga ega.

FA va asosiy diffuziya yo‘nalishining vizual tahlili

7-sahifadagi 9-rasm FA xaritalari va tayanchga nisbatan mutlaq xato xaritalarini taqqoslaydi. Mualliflar DuTD ayniqsa past intensivlikli hududlarda lokal to‘qima anizotropiyasini yaxshiroq saqlashini bildiradilar.

8-sahifadagi 10-rasm asosiy xos vektorning pseudocolor va burchak xatosi xaritalarini ko‘rsatadi. Vakillik kesimida xabar qilingan PDD xatolari xom ma’lumot uchun 19,73°, tMPPCA uchun 17,34°, CTNet uchun 16,00°, DeepDTI uchun 14,41° va DuTD uchun 14,25°.

11-rasmdagi FA rang xaritasida DuTD natijasi tayanchga yaqin ko‘rinadi; corpus callosum’ning genu va splenium hududlari hamda superior longitudinal fasciculus kabi oq modda tuzilmalarining yo‘nalishli xususiyatlari saqlanadi.

Corpus callosum tolalar traktografiyasi

Fiber tracking DSI Studio yordamida bajarilgan. Manbada berilgan parametrlar:

• FA chegarasi: 0,2
• Burchak chegarasi: 35°
• Seed point soni: 250.000
• Integratsiya usuli: Euler

Manbaning 2-jadval natijalari:

DuTD taqqoslangan usullar orasida eng yuqori Dice koeffitsiyentini beradi. Tract count yuqoriroq bo‘lishi o‘z-o‘zidan aniqroq traktografiyani anglatmaydi; manba aniqlik baholashida Dice ustma-ust tushishini alohida ishlatadi va tayanch tolalar soni 2-jadvalda berilmagan.

Parkinson ma’lumotlar to‘plami natijalari

3-jadvalga ko‘ra DuTD PDD, AD, MD va RD uchun eng past sonli xatoni bersa, FA bo‘yicha eng past xato DeepDTI ga tegishli. Mualliflar natijalar bo‘limida DuTD ning Parkinson ma’lumotlaridagi asosiy afzalligini ayniqsa MD va RD orqali ta’kidlaydilar.

8- va 9-sahifalardagi FA color map taqqoslashlarida tMPPCA kulrang-oq modda chegarasida ayrim buzilishlar va noto‘g‘ri diffuziya xususiyatlarini ko‘rsatgani, CTNet va DuTD esa belgilangan hududda tayanchga yaqinroq ekani aytiladi.

Ablyatsiya tadqiqoti

Ablyatsiya tahlili 420 ta HCP DTI tasvirida tasvir sohasi, parametrlar sohasi va ikki-sohali foydalanish hissasini taqqoslaydi.

Jadval ikki-sohali tajribalar bir-sohali tajribalardan yuqoriroq PSNR va SSIM hosil qilganini ko‘rsatadi. SR moduli uchala taqqoslashda ham PSNR ni juda oz miqdorda oshiradi. SSIM ga ta’siri esa bir yo‘nalishli emas: tasvir-sohasi va ikki-sohali natijalarda 0,0001 kamayish, parametr-sohasi natijasida 0,0001 oshish kuzatilgan.

Manba ichidagi nomuvofiqlik qaydi: Ablyatsiya bo‘limi matnida SR ishlatilgan tajribalar 1, 3 va 5 deb yozilgan bo‘lsa, 4-jadvaldagi belgilar SR 2, 4 va 6-raqamli tajribalarda ishlatilganini ko‘rsatadi. Jadvaldagi PSNR o‘zgarishlari va “SR module slightly improves PSNR” jumlasi 2, 4 va 6 talqini bilan mos keladi. Bu yerda jadval ma’lumotlari saqlangan va matndagi zidlik yashirilmagan.

Olti Yo‘nalishli DuTD Klinik MRI Vaqtini Qanchaga Qisqartiradi?

Tadqiqot DuTD DTI da zarur yo‘nalishlar sonini nazariy minimum — oltitagacha kamaytirish salohiyati tasvirlash vaqtini sezilarli qisqartirishi mumkinligini ta’kidlaydi; biroq manba haqiqiy prospektiv olti yo‘nalishli klinik skanerlashda yutilgan daqiqani yoki foizli vaqt kamayishini bevosita o‘lchamagan. Parkinson ma’lumotlar to‘plamining 128 yo‘nalishli skaneri uchun umumiy olish vaqti 47 daqiqa deb xabar qilingan, ammo bu raqamdan olti yo‘nalishli DuTD uchun tasdiqlangan yangi vaqtni hisoblash manba tomonidan qo‘llab-quvvatlanmaydi.

Shu sababli tadqiqot qo‘llab-quvvatlaydigan ifoda:

“Olti yo‘nalishli ma’lumot bilan yuqori sifatli parametr baholashi muvaffaqiyatli bo‘lsa, DTI skanerlash vaqtini qisqartirish salohiyati mavjud.”

Tadqiqot qo‘llab-quvvatlamaydigan ifoda esa:

“DuTD klinik skanerlashni aniq X daqiqagacha qisqartiradi.”

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• DuTD tasvir sohasi bilan diffuziya tenzori parametrlar sohasini bir xil denoising doirasida birlashtiradi.
• HCP tajribalarida ikki-sohali yondashuv bir-sohali ablyatsiyalardan yuqoriroq PSNR va SSIM hosil qilgan.
• HCP 1-jadvalida DuTD PDD, FA, AD, MD va RD bo‘yicha taqqoslangan usullar ichida eng past xatolarni bergan.
• Corpus callosum tahlilida DuTD %63,18 Dice bilan taqqoslangan usullar ichida eng yuqori ustma-ust tushishni bergan.
• Parkinson ma’lumotlarida DuTD ayniqsa MD va RD bo‘yicha DeepDTI dan pastroq MAE ko‘rsatgan.
• Oltita yo‘nalish standart diffuziya tenzorining oltita mustaqil parametrini yechish uchun nazariy minimumdir.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• DuTD Parkinson kasalligini tashxislashi ko‘rsatilmagan.
• Olti yo‘nalishli DuTD klinik skanerlash vaqtini muayyan foiz yoki daqiqaga kamaytirishi bevosita o‘lchanmagan.
• 12 Parkinson bemoridan olingan natijalarni butun Parkinson populyatsiyasiga umumlashtirib bo‘lmaydi.
• Model turli shifoxonalar, turli MRI ishlab chiqaruvchilari, turli b-qiymatlari va turli protokollarda bir xil natija berishi isbotlanmagan.
• Yuqori PSNR yoki SSIM klinik diagnostik aniqlik avtomatik ravishda oshganini anglatmaydi.
• Yuqoriroq tract count o‘z-o‘zidan aniqroq tolalar rekonstruksiyasini anglatmaydi.
• Tadqiqot ekspert taqrizidan o‘tgan yakuniy nashr emas.

Tadqiqotning kuchli tomonlari

Tadqiqotning muhim metodologik kuchli tomoni tasvir restavratsiyasini faqat tasvir fazosidagi vizual o‘xshashlikka qoldirmasligidir. Diffuziya tenzori orqali to‘qimaning fizik yo‘nalishli ma’lumotini modelga kiritishga urinish DTI kabi fizik model bilan kuchli bog‘langan tasvirlash usulida mazmunli dizayn tanlovidir.

Ikkinchi kuchli tomoni baholashni faqat PSNR va SSIM bilan cheklamasligidir. FA, MD, AD, RD, PDD va corpus callosum tolalar traktografiyasi kabi downstream fizik va anatomik o‘lchovlar ham ko‘rib chiqiladi.

Uchinchi kuchli tomoni HCP sog‘lom katta yoshli shaxslar ma’lumotlariga qo‘shimcha ravishda boshqa ishlab chiqaruvchi MRI tizimida olingan maxsus Parkinson bemorlari ma’lumotlarida ham baholash o‘tkazilganidir.

Asosiy cheklovlar va talqin chegarasi

Parkinson ma’lumotlar to‘plami atigi 12 bemordan iborat. Manba turli markazlardan keng ko‘lamli ko‘p-markazli klinik validatsiya haqida xabar bermaydi.

Usul mavjud ko‘p-yo‘nalishli ma’lumotlar to‘plamidan hosil qilingan olti yo‘nalishli kirishlar ustida baholangan; real klinik ish jarayonida boshidan faqat olti yo‘nalish prospektiv ravishda olingan mustaqil yirik miqyosli qo‘llash haqida xabar berilmagan.

Manbada DuTD model murakkabligi, inference vaqti yoki klinik qurilmada real vaqt rejimida ishlash xarajati batafsil natijalar jadvali bilan berilmagan.

Ablyatsiya matni bilan 4-jadval o‘rtasida SR tajriba raqamlari bo‘yicha ichki nomuvofiqlik mavjud.

Tadqiqot hali ekspert taqrizidan o‘tmagan preprintdir; natijalar yakuniy taqrizlangan dalil sifatida baholanmasligi kerak.

Manba va Usul Izohi

Asl sarlavha: Dual-Domain Denoising with Minimal Number of Directions for Diffusion Tensor Imaging

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

Teng hissa: Haoyu Zhang va Di Guo

Mas’ul mualliflar: Tao Gong va Xiaobo Qu

Muassasalar: 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.

Manba turi: Preprint tadqiqot maqolasi.

Nashr holati: PDF “Preprint submitted to Elsevier” iborasini o‘z ichiga oladi.

Taqriz holati: Manba aniq “This preprint research paper has not been peer reviewed” deb aytadi.

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

DOI: Yuklangan PDF da ko‘rsatilmagan.

Litsenziya: Manba PDF da ochiq litsenziya ko‘rsatilmagan.

Asosiy usul: Dual-Domain Tensor Denoising (DuTD), tasvir sohasida IDNet va tenzor/parametr sohasida TDNet.

Asosiy ma’lumot manbalari: Human Connectome Project va Shandong Provincial Hospital Parkinson bemorlari ma’lumotlari.

Parkinson etik tasdig‘i: No. 2023-672.

Taqqoslash usullari: tMPPCA, CTNet va DeepDTI.

Asosiy baholash metrikalari: PSNR, SSIM, FA/MD/AD/RD MAE, PDD burchak xatosi va Dice koeffitsiyenti.

Moliyalashtirish: Tadqiqot 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) va China Postdoctoral Science Foundation (2022M711987) tomonidan qisman qo‘llab-quvvatlangan.

Manfaatlar to‘qnashuvi: Manba C. Qian, R. Song va X. Jiang Neusoft Medical Systems Co., Ltd. xodimlari ekanini bildiradi.

Muhim manba ichidagi nomuvofiqlik: Ablyatsiya izohidagi SR tajriba raqamlari bilan 4-jadvaldagi SR belgilari mos kelmaydi. 4-jadval SR ni 2, 4 va 6-raqamli tajribalarda ko‘rsatadi.

Asosiy talqin chegarasi: Natijalar tasvir denoising va diffuziya parametri/traktografiya rekonstruksiyasi samaradorligiga tegishli. Tadqiqot klinik diagnostik aniqlik, bemor natijasi yoki haqiqiy olti yo‘nalishli klinik skanerlash vaqti bo‘yicha bevosita natija bermaydi.