Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning

ملخص تقني لورقة بحثية بعنوان: "إعادة التفكير في إزالة الضجيج في التصوير المقطعي بالإصدار البوزيتروني عبر الجرعات المختلفة: التخفيف من آثار المتوسط عبر تعلم الضجيج المتبقي"

1. بيان المشكلة

يعد التصوير المقطعي بالإصدار البوزيتروني (PET) أمراً حيوياً في مجالات الأورام ومراقبة الأمراض، ولكن يؤدي تقليل جرعة الإشعاع إلى ضجيج "بواسون" (Poisson noise) شديد، وتدهور التباين، وانحياز في التقدير الكمي. وبينما أظهر التعلم العميق (DL) نتائج واعدة في إزالة الضجيج من صور PET ذات الجرعة المنخفضة (LDPET)، لا يزال هناك تحدٍ كبير يتمثل في: القدرة على التعميم عبر مستويات الجرعة المتغيرة.

• محدودية "النموذج الموحد للجميع": تفشل النماذج المدربة على مستوى ضجيج واحد في التعميم على ظروف الجرعات الأخرى بسبب التحولات في نطاق البيانات (domain shifts).
• أثر المتوسط (The Averaging Effect): إن محاولات تدريب نموذج موحد على بيانات متعددة الجرعات (التدريب عبر الجرعات) تؤدي غالباً إلى أداء دون المستوى المطلوب. وتجادل الورقة بأن صيغ التدريب الخاضعة للإشراف القياسية تعمل ضمنياً على تحسين "خسارة التوقع" (expectation loss) عبر توزيعات ضجيج متباينة. ونتيجة لذلك، يتعلم النموذج تمثيلاً "متوسطاً" للضجيج، مما يؤدي إلى تنعيم مفرط، وفقدان التفاصيل الهيكلية الدقيقة، وتدهور الدقة الكمية (مثل انحياز SUV).
• عيوب الحلول الحالية: تتطلب النهج السابقة مثل "شبكة الضجيج الموحدة الواعية بالجرعة" (UNN) تدريب وتخزين عدة شبكات فرعية متخصصة (وهو أمر مكلف حوسبياً)، بينما قد تؤدي نهج "تعميم النطاق" (CADG) إلى تدهور الأداء عن طريق فرض الثبات في النطاق حيث تكون الجرعة والوسم (label) متشابكين.

2. المنهجية

يقترح المؤلفون إطار عمل موحد لتعلم الضجيج المتبقي ينقل هدف التعلم من التنبؤ بصورة الجرعة الكاملة إلى تقدير الضجيج المتبقي مباشرة.

أ. الصيغة النظرية

• النهج القياسي (المعيب): في نموذج "الواحد للجميع" القياسي، تتنبأ الشبكة $f_\theta$ بصورة الجرعة الكاملة $y$ من مدخلات الجرعة المنخفضة $x$. تعمل عملية التحسين على تقليل التوقع لـ $x$ عبر جميع مستويات الجرعة $j$:
  $$\theta^* = \arg \min_\theta E_{x}[E_{y|x}[L(f_\theta(x), y)]]$$
  هذا يجبر النموذج على تعلم متوسط توزيعات الضجيج، مما يسبب "أثر المتوسط".
• النهج المقترح: يُعاد تعريف النموذج ليتنبأ بمكون الضجيج $n = y - x$ بدلاً من $y$. تصبح الصيغة:
  $$\theta^* = \arg \min_\theta E_{x}[E_{n|x}[L(f_\theta(x), n)]]$$
  من خلال ربط توقع الضجيج بصرامة بصورة الجرعة المنخفضة المحددة، يتعلم النموذج توزيع الضجيج الخاص بهذا المدخل دون المتوسط عبر مستويات الجرعات المختلفة.

ب. بنية الشبكة ودوال التنشيط

• البنية الأساسية: يستخدم المؤلفون بنية U-Net.
• التعامل مع الضجيج السالب: يعالج ابتكار تقني حاسم حقيقة أن الضجيج المتبقي ($y - x$) يمكن أن يحتوي على قيم سالبة. إن دوال التنشيط القياسية (ReLU) المستخدمة في (DnCNN) تقمع القيم السالبة، مما يؤدي إلى فقدان المعلومات.
  • التدريب: استبدل المؤلفون دالة ReLU بـ LeakyReLU (بميل 0.01) في جميع أنحاء الشبكة للسماح بتعلم مكونات الضجيج السالبة.
  • قيد المخرجات: لضمان بقاء الصورة منزوعة الضجيج النهائية ($x + \text{predicted noise}$) غير سالبة (وهو أمر ضرضوري فيزيائياً لصور PET)، يتم تطبيق LeakyReLU بميل ضحل على المخرج النهائي أثناء التدريب.
  • الاستنتاج (Inference): تُستخدم دالة ReLU القياسية للمخرج النهائي لفرض عدم السالبية بشكل صارم.
• دالة الخسارة: يجمع هدف التدريب بين خسارة متوسط الخطأ المطلق (MAE) وخسارة مؤشر التشابه الهيكلي (SSIM):
  $$L = L_{MAE} + \lambda L_{SSIM}$$
  حيث $\lambda = 0.5$. يضمن هذا كلاً من الدقة على مستوى البكسل والحفاظ على البنية.

3. المساهمات الرئيسية

1. الرؤية النظرية: حددت الورقة صراحةً وأثبتت رياضياً أن التدريب عبر الجرعات في الصيغ القياسية يؤدي إلى "أثر المتوسط" حيث يقلل النموذج من التوقع عبر توزيعات ضجيج متباينة، مما يضعف الأداء.
2. إطار تعلم الضجيج المتبقي: يقترح نموذجاً موحداً يتعلم الضجيج مباشرة بدلاً من الصورة الكاملة، مما يفصل النموذج بفعالية عن الحاجة إلى بيانات وصفية (metadata) خاصة بالجرعة أثناء الاستنتاج.
3. تكييف دالة التنشيط: قدم استخدام LeakyReLU للتعامل مع قيم الضجيج المتبقي السالبة، وهو تعديل حاسم لإزالة الضجيج في PET غالباً ما تغفله شبكات CNN القياسية.
4. الكفاءة: على عكس UNN أو ST-UNN، التي تتطلب عدة شبكات فرعية أو آليات وزن معقدة، يستخدم هذا النهج U-Net واحداً ومبسطاً بنفس عدد المعلمات للنماذج المتخصصة لكل جرعة.

4. النتائج التجريبية

تم التحقق من صحة الطريقة باستخدام مجموعتي بيانات سريريتين واسعتي النطاق ومتعددة الجرعات:

• المجموعة 1: جامعة بيرن (Siemens Biograph Vision Quadra)، 209 مريضاً.
• المجموعة 2: مستشفى شنجهاي رويجين (United Imaging uExplorer)، 320 مريضاً.
• الظروف: مستويات جرعة محاكات تتراوح من 1% إلى 50% من الجرعة الكاملة.

الأداء الكمي (PSNR, SSIM, RMSE):

• التفوق: تفوقت الطريقة المقترحة باستمرار على نماذج "الواحد للجميع"، ونماذج U-Net المدربة بشكل فردي، والنهج القائم على UNN عبر جميع مستويات الجرعات تقريباً.
• التحقق من أثر المتوسط: أظهر خط الأساس "الواحد للجميع" انخفاضاً حاداً في SSIM (على سبيل المثال، ~0.50 مقابل ~0.96 للطريقة المقترحة)، مما يؤكد فرضية المتوسط.
• المتانة: أظهرت الطريقة المقترحة انحرافاً معيارياً أقل في المقاييس عبر مجموعات المرضى مقارنة بالنماذج المدربة فردياً، والتي أظهرت عدم استقرار عند مستويات الجرعات المتوسطة (10-25%).
• لا تتطلب بيانات وصفية: على عكس النماذج المدمجة بالجرعة، حققت الطريقة المقترحة نتائج متفوقة دون الحاجة إلى معلومات مستوى الجرعة كمدخل أثناء الاستنتاج.

الأداء النوعي:

• أظهرت المقارنات البصرية أن الطريقة المقترحة تحافظ على الحواف الحادة والتفاصيل التشريحية الدقيقة بشكل أفضل من نماذج U-Net المدربة فردياً (والتي كانت تميل إلى "التنعيم المفرط" وإعطاء مظهر "شمعي").
• أشارت خرائط الاختلاف إلى وجود عيوب أقل في شدة الإضاءة (البقع الداكنة/المضيئة) مقارنة بـ UNP، خاصة عند الجرعات المنخفضة جداً (2%).

5. الأهمية

يعيد هذا العمل التفكير جذرياً في استراتيجية إزالة الضجيج في تصوير PET عبر الجرعات المختلفة. من خلال نقل هدف التعلم من إعادة بناء الصورة إلى تقدير الضجيج المتبقي، نجح المؤلفون في التخفيف من "أثر المتوسط" الذي يعيق نماذج التعلم العميق الموحدة.

• الأثر السريري: تمكن هذه الطريقة من إزالة الضجيج بمتانة عبر نطاق واسع من جرعات الإشعاع دون الحاجة إلى معرفة مسبقة بمستوى الجرعة أو بنيات معقدة متعددة الشبكات. وهذا أمر بالغ الأهمية للدراسات الطولية وللفئات الضعيفة حيث يكون تباين الجرعة شائعاً.
• القدرة على التعميم: يقدم النهج بديلاً أكثر كفاءة ومتانة لتقنيات تعميم النطاق الحالية، مما يثبت أن نموذج تعلم متبقي واحد مصاغ جيداً يمكن أن يتفوق على مجموعات من الشبكات المتخصة.