CNN-Based Denoising of Industrial CT Images: A Residual-Learning Benchmark Against Classical Filters on Synthetic Phantoms
تُظهر هذه الدراسة أن شبكة عصبية تلافيفية متبقية مكونة من 17 طبقة (DnCNN) تتفوق بشكل كبير على مرشحات غاوس، والوسيط، والمتوسطات غير المحلية الكلاسيكية في إزالة الضجيج من صور التصوير المقطعي الصناعي الحاسوبي الاصطناعية، محققة نسبة ذروة إشارة إلى الضجيج وتشابهًا هيكليًا متفوقين عبر جميع مستويات الجرعات المختبرة، مع تسليط الضوء على الحاجة إلى التحقق المستقبلي من صحة النتائج باستخدام بيانات الماسحات الضوئية الواقعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل أنك تحاول رؤية ما بداخل جزء من آلة معقدة دون تفكيكها. يستخدم المهندسون تقنية تسمى التصوير المقطعي المحوسب، أو (CT)، والتي تعمل مثل كاميرا أشعة سينية عالية التقنية؛ فهي تلتقط مئات الصور من زوايا مختلفة وتدمجها معاً لإنشاء خريطة ثلاثية الأبعاد مفصلة لداخل الجسم. هذا الأمر حيوي لاكتشاف الشقوق الصغيرة، أو الفجوات الهوائية المخفية، أو المواد المفقودة في كل شيء، بدءاً من محركات الطائرات وصولاً إلى الأدوات المطبوعة بتقنية ثلاثية الأبعاد. ومع ذلك، هناك عقبة؛ فلكي تحصل الآلة على صورة واضحة، تحتاج إلى جرعة قوية من الأشعة السينية. وإذا كانت الجرعة منخفضة جداً لتوفير الوقت أو لحماية المعدات، تصبح الصورة الناتجة محببة، مثل صورة قديمة التُقطت في الظلام. هذا التحبب، أو الضجيج، يمكن أن يخفي العيوب التي يبحث عنها المفتشون. لعقود من الزمن، حاول المهندسون تنظيف هذه الصور باستخدام مرشحات حاسوبية قياسية، لكن هذه الأدوات غالباً ما تسبب ضبابية في الحواف الحادة والتفاصيل الدقيقة التي يُفترض بها حمايتها.
في دراسة حديثة، سعى باحثون في المعهد الهندي للتكنولوجيا بروركي (IIT Roorkee) لمعرفة ما إذا كان اتباع نهج أكثر ذكاءً يمكن أن يحل هذه المشكلة. لقد لجأوا إلى نوع من الذكاء الاصطناعي يُعرف باسم الشبكة العصبية الالتفافية، وهي برنامج حاسوبي مصمم لتعلم الأنماط من الأمثلة. وتحديداً، اختبروا نموذجاً يسمى (DnCNN)، وهو مصمم لتعلم شكل الضجيج حتى يتمكن من طرحه من الصورة دون طمس التفاصيل المهمة. كان التحدي يكمل في أن المهندسين، في العالم الحقيقي، لا يملكون أبداً نسخة مثالية خالية من الضجيج للجزء المراد فحصه للمقارنة بها، مما يجعل من الصعب معرفة ما إذا كانت طريقة التنظيف تعمل حقاً. ولتجاوز ذلك، أنشأ الفريق عالماً اصطناعياً بالكامل؛ حيث كتبوا برنامجاً حاسوبياً لتوليد 5,000 جزء صناعي مثالي وخيالي، لكل منها أشكال وأحجام وعيوب مخفية مختلفة. ثم أضافوا ضجيجاً رقمياً واقعياً إلى هذه الصور لمحاكاة ما قد يراه ماسح ضوئي حقيقي، مما خلق بيئة محكومة حيث تكون "الإجابة الصحيحة" معروفة بدقة.
قام الباحثون بتدريب ذكائهم الاصطناعي على 4,200 من هذه الصور المشوشة، لتعليمه كيفية التعرف على الضجيج وإزالته. ثم اختبروا النموذج المدرب على 400 صورة جديدة لم يسبق له رؤيتها، وقارنوا أداءه بثلاث طرق تنظيف تقليدية: مرشح "غاوس" (Gaussian filter)، الذي ينعم الصور عن طريق حساب متوسط البكسلات المجاورة؛ ومرشح "الوسيط" (median filter)، الذي يستبدل البكسلات بالقيمة الوسطى لجيرانها؛ ومرشح "المتوسط غير المحلي" (non-local means filter)، الذي يبحث عن أنماط مشابهة في أماكن أخرى من الصورة لاتخاذ تخمينات أذكى. كانت النتائج مذهلة؛ فقد تفوق نموذج الذكاء الاصطناعي على كل طريقة تقليدية في كل صورة اختبار. وبينما قام أفضل مرشح تقليدي بتحسين جودة الصورة بمقدار قابل للقياس، حقق نموذج الذكاء الاصطناعي تحسناً بهامش أكبر، ليصل إلى درجة تشير إلى استعادة شبه مثالية للصورة الأصلية والنظيفة. لقد نجح الذكاء الاصطناعي في إزالة التحبب مع الحفاظ على الزوايا الحادة للأجزاء والمسام الداكنة الصغيرة سليمة، في حين أن المرشحات التقليدية مالت إلى طمس هذه الميزات أو ترك بعض الضجيج خلفها.
كما بحثت الدراسة في مدى صمود هذه الطريقة تحت ظروف مختلفة، مثل عندما تكون جرعة الأشعة السينية المحاكية منخفضة أو متوسطة أو عالية. وقد أدى نموذج الذكاء الاصطناعي أداءً جيداً باستمرار عبر جميع هذه السيناريوهات، مما أثبت قدرته على التعامل مع تحبب عمليات المسح ذات الجرعة المنخفضة بنفس كفاءة عمليات المسح ذات الجرعة العالية. كما حافظ على تفوقه على المرشحات التقليدية بغض النظر عن شكل الجسم الذي يتم مسحه، سواء كان دائرة بسيطة، أو مضلعاً معقداً، أو شكلاً غير منتظم. وأشار الباحثون إلى أن نموذج الذكاء الاصطناعي كان جيداً بشكل خاص في الحفاظ على السلامة الهيكلية للصورة، مما يعني أن الخطوط والحواف ظلت حادة بدلاً من أن تصبح ضبابية. وهذا يشير إلى أنه عندما يكون طبيعة الضجيج مفهومة جيداً وتتوفر بيانات تدريب كافية، يمكن للشبكة العصبية تعلم فصل الإشارة عن الضجيج بشكل أفضل بكثير من القواعد الرياضية الثابتة.
ومع ذلك، يشدد المؤلفون على أن هذا النجاح قد تحقق في بيئة محاكاة؛ حيث تم توليد الصور بواسطة برنامج حاسوبي، وأُضيف الضجيج باستخدام نموذج رياضي محدد، وهو رغم كونه واقعياً، إلا أنه أبسط من الفيزياء المعقدة لماسح صناعي حقيقي. ففي الآلة الحقيقية، يمكن للضجيج أن يخلق خطوطاً وحلقات يصعب التنبؤ بها. كما أن الدراسة لم تختبر النموذج على عمليات مسح فعلية من أرض مصنع حقيقي، لذا يظل من الواضح مدى جودة أدائه مع البيانات الواقعية بكل تعقيداتها غير المتوقعة. وأشار الباحثون أيضاً إلى أنهم اختبروا نوعاً واحداً فقط من بنية الشبكات العصبية وقارنوه بمجموعة محدودة من المرشحات التقليدية. ورغم أن النتائج واعدة، إلا أنها تمثل سيناريو "الحالة المثلى" ضمن حدود محاكاتهم.
وعلى الرغم من هذه القيود، فإن هذا العمل يوفر معياراً واضحاً لما هو ممكن. فهو يثبت أن شبكة عصبية صغيرة نسبياً، تحتوي على حوالي نصف مليون من الإعدادات القابلة للضبط، يمكنها تعلم إزالة الضجيج من الصور الصناعية بمستوى من الدقة لا تستطيع المرشحات التقليدية مضاهاته. وتخلص الدراسة إلى أنه بالنسبة للمهام التي تكون فيها خصائص الضجيج معروفة، فإن تدريب نموذج للتنبؤ بالضجيج وإزالته يعد استراتيجية قوية. ويقترح الباحثون أن الخطوة المنطقية التالية هي نقل هذا النهج من محاكاة الحاسوب واختباره على بيانات ماسح ضوئي حقيقي، ربما عن طريق محاكاة عملية المسح بأكملها بشكل أكثر دقة، أو عن طريق تدريب النموذج على مجموعة متنوعة أوسع من أنواع الضجيج. وحتى ذلك الحين، يظل هذا المعيار الاصطناعي بمثابة إثبات للمفهوم، يوضح أنه مع التدريب الصحيح، يمكن للذكاء الاصطناعي أن يرى من خلال التحبب ليكشف عن التفاصيل المخفية في العالم الصناعي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.