High-Resolution Reference Image Assisted Volumetric Super-Resolution of Cardiac Diffusion Weighted Imaging

ملخص تقني: تعزيز الدقة الحجمية لصور التصوير بانتشار الرنين المغناطيسي للقلب باستخدام صورة مرجعية عالية الدقة

بيان المشكلة
يُعد تصوير الموتر الانتشار للقلب بالرنين المغناطيسي (DT-CMR) الطريقة الوحيدة غير الجراحية لفحص البنية المجهرية للقلب البشري في الجسم الحي. ومع ذلك، فإن عملية الحصول على التصوير بانتشار الوزن (DWI) لغرض (DT-CMR) تعوقها حركة القلب الطبيعية، مما يؤدي إلى انخفاض نسبة الإشارة إلى الضجيج (SNR). وللتخفيف من ذلك، تستخدم البروتوكولات القياسية أحجام فوكسل كبيرة (عادةً 2.7 × 2.7 × 8 مم³)، لا سي تقديرًا في بُعد سمك الشريحة. هذه الدقة الخشنة غير كافية لتحليل الميزات المجهرية وتفاقم آثار الحجم الجزئي والحركة المتبقية، مما يحد من الفائدة السريرية. وبينما أظهر التعلم العميق نجاحًا في تعزيز دقة الرنين المغناطيسي (SR)، إلا أن الطرق الحالية تعالج عادةً دقة المستوى داخل المستوي (in-plane) أو عبر المستوي (through-plane) بشكل منفصل، وتفتقر إلى النهج المعتمد للتعزيز الحجمي المتزامن للدقة (تحسين الدقة في جميع الأبعاد).

المنهجية
يقترح البحث إطار عمل جديد للتعلم العميق لتحقيق تعزيز الدقة الحجمية (بمعامل 4 في جميع الأبعاد) للتصوير بانتشار الوزن القلبي.

• مجموعة البيانات: تم تدريب النموذج على بيانات من 10 قلوب خنازير سليمة تم فحصها باستخدام ماسح (Siemens Vida 3T). تضمنت مجموعة البيانات صور (DWI) تم الحصول عليها عند قيم $b=500$ و $b=1000$ ث/مم² عبر 256 اتجاهًا، بالإضافة إلى صور مرجعية عالية الدقة ($b_0$). لمحاكاة المدخلات منخفضة الدقة، تم خفض عينة بيانات الحقيقة الأرضية عالية الدقة: 4 مرات في البعد عبر المستوي عبر المتوسط المحوري، وفي المستوي عبر أخذ عينات ثنائية الخطية.
• بنية النموذج: العمود الفقري هو نسخة مطورة من شبكة (U-Net) معززة بطبقات متعددة من الانتباه الذاتي متعدد الرؤوس.
• استراتيجية المدخلات: الابتكار الجوهري هو إدراج صورة مرجعية ($b_0$) عالية الدقة كقناة إدخال إضافية إلى جانب تصوير (DWI) المستهدف منخفض الدقة (مثل $b=500$). يتم دمج صورة $b_0$ عالية الدقة مع الهدف منخفض الدقة عبر القنوات.
• هدف التدريب: يتم تدريب الشبكة باستخدام مزيج من أربع دالات خسارة:
  1. خسارة البكسل: متوسط مربع الخطأ (MSE) في فضاء الصورة.
  2. خسارة التردد: متوسط مربع الخطأ (MSE) في النطاق الترددي.
  3. الخسارة الإدراكية: المسافة في الفضاء الكامن المقاسة بواسطة نموذج (VGG) مدرب مسبقًا.
  4. الخسارة التنافسية: مميز (discriminator) قياسي يعتمد على الشبكات العصبية الالتفافية (CNN) لتعزيز الواقعية عبر التدريب التنافسي.
• التقييم: تم تقييم الأداء باستخدام نسبة ذروة الإشارة إلى متوسط مربع الخطأ (PSNR) ومقياس التشابه الهيكلي (SSIM). قارنت دراسة الاستئصال الإطار المقترح (مع مرجع $b_0$) مقابل إطار عمل تقليدي أحادي القناة (بدون $b_0$).

النتائج الرئيسية

• الأداء على البيانات المدربة ($b=500$): تفوق الإطار المقترح بشكل كبير على كل من الإطار التقليدي أحادي المدخل والتدخل الثنائي الخطي البسيط.
  • PSNR: حقق الإطار المقترح 32.615 (±2.803)، مقارنة بـ 29.151 للإطار التقليدي و 26.763 للتدخل الثنائي الخطي.
  • SSIM: حقق الإطار المقترح 0.863 (±0.082)، مقارنة بـ 0.816 للإطار التقليدي و 0.798 للتدخل الثنائي الخطي.
  • التحسن النوعي: أشار التحليل البصري إلى أن الطريقة المقترحة تجنبت تأثيرات التنعيم المفرط التي لوحظت في الطريقة التقليدية، مما حافظ على المزيد من تفاصيل النسيج في الصور المعززة الدقة.
• القدرة على التعميم (قيم $b$ غير المرئية): أظهر النموذج القدرة على تعزيز دقة صور (DWI) لقيمة $b$ غير مرئية ($b=1000$) دون تدريب محدد على تلك القيمة.
  • على بيانات $b=1000$ غير المرئية، حقق الإطار المقترح PSNR قدره 28.992 و SSIM قدره 0.762، متفوقًا على التدخل الثنائي الخطي (PSNR 26.726، SSIM 0.728).

الأهمية والادعاءات
يزعم المؤلفون أن هذه هي الدراسة الأولى التي تثبت فعالية نماذج التعلم العميق لتعزيز الدقة الحجمية في الرنين المغناطري، ومعالجة الدقة داخل المستوي وعبر المستوي في آن واحد.

المساهمة الأساسية هي التحقق من أن توفير صورة مرجعية عالية الدقة (تحديدًا $b_0$ DWI) كمدخل إضافي يعزز بشكل كبير أداء تعزيز الدقة. وتخلص الدراسة إلى أنه بالنسبة لمهام التصوير البارامتري حيث تتوفر صورة مرجعية، فمن المستحسن تضمين هذا المرجع عالي الدقة كمدخل إضافي أثناء كل من التدريب والاستدلال لتوجيه إطار عمل تعزيز الدقة. كما تشير قدرة النموذج على التعميم لقيم $b$ غير المرئية إلى إطار عمل قوي لتعزيز دقة (DWI) للقلب يمتد إلى ما وراء المعلمات المستخدمة أثناء التدريب.