💻 computer science

Neighbor2Inverse: Self-Supervised Denoising for Low-Dose Region-of-Interest Phase Contrast CT

تقدم الورقة البحثية Neighbor2Inverse، وهو إطار عمل لتقليل الضجيج يعتمد على التعلم الذاتي يستفيد من مبدأ Neighbor2Neighbor لتمكين إعادة البناء عالية الجودة لصور التصوير المقطعي المحوسب بالأشعة السينية القائمة على تباين الطور ذات الجرعة المنخفضة دون الحاجة إلى بيانات تدريب مقترنة ذات جرعة عالية، مما يحافظ على التفاصيل الهيكلية الدقيقة مع تقليل الضجيج بشكل كبير.

المؤلفون الأصليون: Johannes B. Thalhammer, Lorenzo D'Amico, Lucy Costello, Sebastian Peterhansl, Daniel Frey, Tina Dorosti, Florian Schaff, Jannis Ahlers, Ronan Smith, Marcus Kitchen, Franz Pfeiffer, Martin Donnelley, D

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Johannes B. Thalhammer, Lorenzo D'Amico, Lucy Costello, Sebastian Peterhansl, Daniel Frey, Tina Dorosti, Florian Schaff, Jannis Ahlers, Ronan Smith, Marcus Kitchen, Franz Pfeiffer, Martin Donnelley, Daniela Pfeiffer, Kaye S. Morgan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: رؤية غير المرئي دون إعماء المريض

تخيل أنك تحاول التقاط صورة لقنديل بحر شفاف ورقيق في غرفة مظلمة. إذا استخدمت وميضاً ساطعاً (جرعة إشعاعية عالية)، ستحصل على صورة واضحة تماماً، لكن الوميض قد يؤذي قنديل البحر أو يضر بالبيئة المحيطة. أما إذا استخدمت ضوءاً خافتاً (جرعة إشعاعية منخفضة) لتكون في أمان، فستخرج الصورة محببة ومليئة بالتشويش (الضجيج)، مما يجعل من الصعب رؤية مجسات قنديل البحر الدقيقة.

هذه هي المشكلة ذاتها التي يواجهها الأطباء مع فحوصات التصوير المقطعي المحوسب بالتباين الطوري (Phase-Contrast CT) للرئتين. هذا النوع الخاص من الأشعة السينية مذهل في إظهار الأنسجة الرخوة (مثل الحويصلات الهوائية في الرئة) التي قد تغفل عنها الأشعة السينية العادية. ومع ذلك، لكي نحصل على جرعة منخفضة وآمنة من الإشعاع، تصبح الصور مليئة بالضجيج، مثل شاشة تلفاز تظهر عليها الكثير من "الوشوشة".

عادةً، لإصلاح هذا الضجيج، يستخدم العلماء الذكاء الاصطناعي "المُشرف عليه" (Supervised AI). حيث يعرضون على الذكاء الاصطناعي آلاف الأزواج من الصور "السيئة" (منخفضة الجرعة) والصور "المثالية" (عالية الجرعة) ليتعلم كيفية تنظيفها. لكن ما المشكلة؟ لا يمكنك التقاط صورة "مثالية" عالية الجرعة لمريض فقط لتدريب الذكاء الاصطعي؛ لأن ذلك غير آمن.

الحل: "Neighbor2Inverse"

ابتكر مؤلفو هذه الورقة طريقة جديدة تسمى Neighbor2Inverse. وبدلاً من الحاجة إلى صورة "مثالية" للتعلم منها، تعلم هذه الطة نفسها كيفية تنظيف الضجيج باستخدام الصور "السيئة" فقط.

إليك كيف تعمل، خطوة بخميل، باستخدام تشبيه بسيط:

1. خدعة "تقسيم الكعكة"

تخيل أن لديك كعكة مغطاة بحبيبات عشوائية (الضجيج). تريد إزالة الحبيبات مع الحفاظ على شكل الكعكة.

الطريقة القديمة: تحتاج إلى كعكة ثانية نظيفة للمقارنة بها.
طريقة Neighbor2Inverse: تأخذ كعكتك الوحيدة المليئة بالضجيج وتقسمها إلى قطعتين. تفعل ذلك بطريقة محددة:
- القطعة (أ) تحصل على الحبيبات من الزوايا العلوية اليسرى والسفلية اليمنى لكل مربع صغير.
- القطعة (ب) تحصل على الحبيبات من الزوايا العلوية اليمنى والسفلية اليسرى.
- السحر هنا: كلتا القطعتين لا تزالان تبدوان كأنهما نفس الكعكة (الهيكل هو نفسه)، لكن الحبيبات موجودة في أماكن مختلفة وعشوائية. إنهما "مستقلتان".

2. لعبة "المعلم والتلميذ"

يعمل الذكاء الاصطناعي كطالب. ينظر إلى القطعة (أ) ويحاول تخمين كيف تبدو القطعة (ب).

بما أن شكل الكعكة هو نفسه في كلتا القطعتين، يتعلم الذكاء الاصطناعي تجاهل الحبيبات العشوائية (الضجيج) والتركيز على شكل الكعكة (أنسجة الرئة).
ولأن الحبيبات مختلفة في كل قطعة، يدرك الذكاء الاصطناعي: "آه، هذه الحبيبة ليست جزءاً من الكعكة؛ إنها مجرد ضجيج عشوائي!"
يتعلم التنبؤ بالكعكة النظيفة عن طريق حساب متوسط الاختلافات بين القطعتين.

3. الجزء الخاص بـ "العكس" (الجزء الصعب)

تحاول معظم طرق الذكاء الاصطناعي المشابهة القيام بخدعة التقسيم هذه على بيانات الأشعة السينية الخام قبل أن تتحول إلى صورة. ولكن بالنسبة لهذا النوع المحدد من فحوصات الرئة، فإن ذلك يسبب فوضى.

الابتكار: أدرك المؤلفون أنه يجب عليهم القيام بعملية التقسيم بعد تحويل البيانات الخام إلى صورة ثلاثية الأبعاد، ولكن عليهم أن يكونوا بارعين جداً في كيفية تقسيم البيانات لتجنب إتلاف الصورة.
لقد طوروا طريقة لتقسيم البيانات الخام، وتحويلها إلى صورتين مختلفتين قليلاً، ثم تدريب الذكاء الاصطناعي على جعل هاتين الصورتين متطابقتين تماماً. هذا هو الجزء "العكسي" (Inverse) — حل اللغز بشكل عكسي للحصول على الصورة النظيفة.

ماذا وجدوا؟

اختبر الفريق هذه الطريقة على فحوصات رئة حقيقية (باستخدام رئة عجل كبديل) وفحوصات محاكية لصدور بشرية بجرعات منخفضة.

أفضل من الذكاء الاصطناعي "القديم": مقارنة بطرق التعلم الذاتي الأخرى، كان Neighbor2Inverse أفضل بكثير في إزالة "الوشوشة" دون طمس التفاصيل. فقد حافظ على حدة الحويصلات الهوائية الصغيرة وهياكل الرئة.
أفضل من الفلاتر "الرياضية": الفلاتر الرياضية التقليدية (مثل تنعيم حجر خشن) أزالت الضجيج ولكنها قامت أيضاً بتنعيم التفاصيل المهمة وضياعها. أما Neighbor2Inverse فقد حافظ على التفاصيل.
مشكلة البيانات "المزيفة": حاولوا تدريب ذكاء اصطناعي باستخدام ضجيج مُنشأ حاسوبياً لمحاكاة الضجيج الحقيقي. كانت النتائج جيدة نوعاً ما، لكنها أدت أحياناً إلى تشويه الصورة لأن الضجيج المزيف لم يتطابق تماماً مع العالم الحقيقي. أما Neighbor2Inverse، الذي يتعلم من البيانات الحقيقية نفسها، فقد كان أداؤه أفضل.
المقايضة: وجدوا أنه إذا تم تقليل عدد صور الأشعة السينية الملتقطة (لتوفير الوقت/الجرعة)، فإن الصورة تسوء بطريقة يصعب إصلاحها بمجرد جعل الضوء أخفت. ومع ذلك، ظل Neighbor2Inverse مفيداً بشكل كبير في هذه الحالات الصعبة.

الخلاصة

تزعم الورقة أن Neighbor2Inverse هو أداة جديدة قوية تسمح للأطباء بالحصول على صور رئوية عالية الجودة ومنخفضة الإشعاع دون الحاجة إلى صورة مرجعية "مثالية" لتدريب الكمبيوتر. فهو يعلم الكمبيوتر كيفية تنظيف الضجيج من خلال مقارنة نسختين مختلفتين قلياً من نفس الصورة المليئة بالضجيج، مما ينتج صوراً أكثر وضوحاً تحافظ على التفاصيل الدقيقة والمهمة للرئتين.

ملاحظة: تركز الورقة بالكامل على التطوير التقني واختبار طريقة إزالة الضجيج هذه على بيانات الرئة. وهي لا تدعي أن هذه الطريقة تُستخدم حالياً في المستشفيات أو أنها حصلت على الموافقة للرعاية السريرية للمرضى بعد؛ بل هي خطوة بحثية نحو جعل ذلك ممكناً.

ملخص تقني: Neighbor2Inverse لإزالة الضجيج في التصوير المقطعي المحوسب القائم على تباين الطور (PBI-CT) بجرعة منخفضة

بيان المشكلة

يوفر التصوير بتباين الطور القائم على انتشار الأشعة السينية (PBI) تباينًا فائقًا للأنسجة الرخوة، لا سيًا في تصوير الرئة، مما قد يقلل من الحاجة إلى الخزعات الجراحية. ومع ذلك، فإن نقل تقنية PBI إلى الممارسة السريرية يتطلب تقليل جرعة الإشعاع بشكل كبير. الاستراتيجيات الحالية لخفض الجرعة — مثل تقليل وقت التعرض، أو تحديد عدد الصور (projections)، أو تقييد مجال الرؤية بمنطقة اهتمام (ROI) — تؤدي حتمًا إلى زيادة ضجيج الصورة وظهور عيوب (مثل عيوب القطع/الترنح وعيوب الحلقة).

على الرغم من أن طرق إزالة الضجيج القائمة على التعلم العميق قد أظهرت نتائج واعدة، إلا أن الطرق الخاضعة للإشراف (supervised) تتطلب مجموعات بيانات مقترنة (جرعة منخفضة وجرعة عالية)، وهي نادرة التوافر في الممارسة العملية بسبب القيود الأخلاقية واللوجستية. كما أن البيانات المحاكية غالبًا ما تفشل في محاكاة خصائص الضجيج في العالم الحقيقي، مما يؤدي إلى حدوث انحياز. وتواجه الطرق ذاتية الإشراف (self-supervised) الموجودة (مثل Noise2Noise وNeighbor2Neighbor وNoise2Inverse) نقصًا في التكيف مع التحديات المحددة لـ ROI PBI-CT، والتي تشمل الضجيج المرتبط مكانيًا، ومتطلبات استرداد الطور، والمتطلبات الحسابية العالية الناتجة عن عدد البكسلات الكبير.

المنهجية

يقترح المؤلفون Neighbor2Inverse، وهو إطار عمل لإزالة الضجيج ذاتي الإشراف مصمم خصيصًا لتقنية PBI-CT ذات الجرعة المنخفضة، بحيث يمكن تعميمه على التصوير المقطعي المحوسب (CT) السريري. وتعتمد الطريقة على تكييف مبدأ Neighbor2Neighbor مع مشكلة العكس الطبوغرافي.

خط الأنابيب الأساسي (Core Pipeline)

أخذ العينات الفرعية في مجال الإسقاط (Subsampling in Projection Domain): بدلاً من أخذ عينات فرعية من الصورة المعاد بناؤها، تقوم الطريقة بأخذ عينات فرعية من بيانات الإسقاط الخام ( $p_\phi$ ). يتم تقسيم إسقاط واحد ضوضائي إلى رقع (patches) غير متداخلة بحجم $2 \times 2$ بكسل. ومن كل رقعة، يتم اختيار بكسلين متجاورين عشوائيًا لإنشاء نسختين من أخذ العينات الفرعية، $g_1(p_\phi)$ و $g_2(p_\phi)$ . تشترك هاتان النسختان في معلومات هيكلية متطابقة تقريبًا، لكنهما تحتويان على تحققات ضجيج مستقلة إحصائيًا.
خط أنابيب إعادة البناء (Reconstruction Pipeline): تخضع الإسقاطات المأخوذة من عينات فرعية لعملية إعادة بناء PBI القياسية:
- استرداد الطور (Phase Retrieval): يتم حساب خرائط السماكة باستخدام خوارزمية استرداد الطور للمادة الواحدة (Paganin et al).
- إعادة البناء (Reconstruction): يتم تطبيق تقنية الإسقاط الخلفي المفلتر (FBP) لإنتاج شرائح الصور.
هدف التدريب (Training Objective): يتم تدريب شبكة إزالة الضجيج من نوع U-Net ( $f_\theta$ ) في مجال الصورة. يتم تغذية الشبكة بشريحة واحدة معاد بناؤها (مشتقة من $g_1$ )، بينما تعمل الشريحة الأخرى (المشتقة من $g_2$ ) كهدف (target). تتعلم الشبكة رسم الخريطة من المدخل الضوضائي إلى الهدف "الأكثر نقاءً" دون الحاجة إلى حقيقة أرضية (ground truth) خالية من الضجيج.
دوال الخسارة (Loss Functions):
- الخسارة الأساسية ( $L_{Nei}$ ): تقلل الفرق بين مخرج الشبكة والهدف المعاد بناؤه من العينات الفرعية.
- التنظيم ( $L_{reg}$ ): هو تكيف لمصطلح تصحيح Neighbor2Neighbor لمراعاة الاختلافات المحتملة في الإشارة بين المدخلات المأخوذة من عينات فرعية.
- متغيرات مطابقة البيانات (Data Fidelity Variants): استكشف المؤلفون أيضًا استبدال $L_{reg}$ بمصطلحات مطابقة البيانات ( $L_{origSino}$ و $L_{virtSino}$ )، والتي تقارن مخرج الشبكة (بعد الإسقاط الأمامي) مقابل السينوجرام الأصلي أو الافتراضي لفرض الاتساق مع البيانات المقاسة.

الإعداد التجريبي

مجموعة بيانات PBI: مسوحات رئة لعجل تم الحصول عليها من الأسترالي للسينكروترون (Australian Synchrotron). تتضمن البيانات 3600 إسقاطًا عند 70 كيلو إلكترون فولت. تم اختبار سبعة أوقات تعرض مختلفة (من 15 مللي ثانية إلى 200 مللي ثانية). استُخدمت عمليات المسح لمدة 200 مللي ثانية كمراجع عالية الجودة، بينما حاكت عمليات المسح لمدة 15 مللي ثانية ظروف الجرعة المنخفضة.
مجموعة البيانات السريرية: 200 فحص تصوير مقطعي للصدر من تحدي RSNA للكشف عن الانصمام الرئوي. تمت محاكاة ظروف الجرعة المنخفضة عن طريق إجراء إسقاط أمامي للأحجام وإضافة ضجيج مختلط من نوع Poisson-Gaussian.
المقارنات: تمت مقارنة الطريقة مع الفلاتر التحليلية (Gaussian, BM3D, TV, Wavelet)، وطرق أخرى ذاتية الإشراف (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN)، بالإضافة إلى نهج خاضع للإشراف باستخدام ضجيج اصطناعي (FakeNoiseNet).

المساهمات الرئيسية

إطار عمل مبتكر: تقديم Neighbor2Inverse، وهو أول طريقة لإزالة الضجيج ذاتية الإشراف المصممة خصيصًا لمشكلة العكس في ROI PBI-CT، مما يعالج الضجيج المرتبط مكانيًا وقيود استرداد الطور.
تكييف المجال (Domain Adaptation): تنجح الطريقة في سد الفجوة بين أخذ العينات الفرعية في مجال الإسقاط وإزالة الضجيج في مجال الصورة، مما يسمح للشبكة باستغلال الارتباطات المكانية في الصور المعاد بناؤها نهائيًا.
تقييم شامل: إجراء مقارنة منهجية مع مجموعة واسعة من الطرق التحليلية والتعلمية على كل من بيانات PBI من السينكروترون وبيانات CT السريرية المحاكية.
تحليل المتانة: استقصاء أداء الطريقة تحت ظروف الرؤية المتفرقة (Undersampling) وحساسيتها لمعاملات التنظيم (hyperparameters).

النتائج

بيانات PBI (15 مللي ثانية مقابل 200 مللي ثانية): حققت Neighbor2Inverse قدرة فائقة على كبح الضجيج مع الحفاظ على التفاصيل الهيكلية الدقيقة (مثل حدود الحويصلات الهووية) مقارنة بالطرق التحليلية والطرق الأخرى ذاتية الإشراف.
- المقاييس: حققت أعلى مؤشر جودة صورة مركب ( $Q = \text{CNR}/\text{SR}$ ) بين جميع الطرق المختبرة. وتحديدًا، حقق متغير أخذ العينات الفرعية للسينوجرام قيمة $Q$ بلغت $2.507 \pm 1.087$ ، متفوقًا على المرجع ذي الـ 200 مللي ثانية الذي سجل $1.413 \pm 0.304$ في هذا المقياس.
- المرئيات: على عكس الطرق التي تسبب تنعيمًا مفرطًا (مثل TV و Gaussian) أو تشوهات هيكلية (مثل FakeNoiseNet)، حافظت Neighbor2Inverse على الحدة وقللت الضجيج بفعالية.
البيانات السريرية: في بيانات CT السريرية ذات الجرعة المنخفضة المحاكية، أظهرت Neighbor2Inverse أداءً تنافسيًا، حيث اقتربت من أداء U-Net الخاضع للإشراف في مقاييس PSNR و SSIM، رغم أن Noise2Inverse سجل درجات أعلى قليلاً في هذه المقاييس المحددة (والتي يشير المؤلفون إلى أنها تفضل الصور شديدة التنعيم).
أداء الرؤية المتفرقة (Sparse-View): عند تطبيقها على بيانات تحتوي على 900 إسقاط فقط (نصف العدد الأصلي)، قللت Neighbor2Inverse من الضجيج ومن عيوب نقص الزاوية، وإن كان ذلك مع بعض التوهن في تباين الهياكل الدقيقة.
استراتيجية تقليل الجرعة: وجدت الدراسة أن تقليل وقت التعرض لكل إسقاط هو أقل ضررًا على جودة الصورة من تقليل عدد الإسقاطات، حيث يعمل خطوة استرداد السماكة كمرشح ضمني للضجيج.

الأهمية والادعاءات

يزعم البحث أن Neighbor2Inverse يمثل خطوة هامة نحو الانتقال السريري لتقنية PBI من خلال تمكين التصوير عالي الجودة بجرعات إشعاعية أقل بكثير دون الحاجة إلى بيانات تدريب عالية الجرعة مقترنة.

الأهمية السريرية: تعالج الطريقة العائق الحرج المتعلق بسلامة الإشعاع في تصوير الرئة، مما قد يقلل من الحاجة إلى الخزعات الجراحية عبر توفير تفاصيل تشخيصية كافية بشكل غير جراحي.
الرؤية المنهجية: يوضح المؤلفون أنه بالنسبة لهذا التطبيق المحدد، فإن تنظيم البيانات (عبر $L_{reg}$ ) ليس ضروريًا بشكل صارم للتدريب الفعال، رغم أن مصطلحات مطابقة البيانات يمكن أن تحسن الحفاظ على الهيكل على حساب زيادة طفيفة في الضجيج المتبقي.
القيود والعمل المستقبلي: يقر المؤلفون بتواضع بأن المقاييس الكمية (CNR, SSIM, PSNR) قد تكون غير حساسة للتشوهات الهيكلية الدقيقة وقد تفضل الصور شديدة التنعيم. ويقترحون أن يركز العمل المستقبلي على التقييم القائم على المهام (task-based evaluation) ليتماشى بشكل أفضل مع الاحتياجات التشخيصية السريرية. بالإضافة إلى ذلك، يُقترح إجراء تحقيق أكثر شمولاً لصيغ مطابقة البيانات كاتجاه واعد.

يخلص العمل إلى أن Neighbor2Inverse يعزز جودة الصورة باستمرار في أنظمة الجرعة المنخفضة ويظل قويًا تحت ظروف نقص العينات المعتدل، مما يوفر مسارًا قابلاً للتطبيق لجلب تقنية PBI إلى التطبيقات السريرية.