💻 computer science

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

यह शोध पत्र Neighbor2Inverse को प्रस्तुत करता है, जो एक स्व-पर्यवेक्षित (self-supervised) डिनाइज़िंग फ्रेमवर्क है जो Neighbor2Neighbor सिद्धांत का लाभ उठाकर कम-डोज़ प्रोपेगेशन-आधारित एक्स-रे फेज़-कॉन्ट्रास्ट सीटी छवियों के उच्च-गुणवत्ता वाले पुनर्निर्माण को सक्षम बनाता है, जिसमें युग्मित उच्च-डोज़ प्रशिक्षण डेटा की आवश्यकता नहीं होती है, जिससे शोर को काफी कम करते हुए सूक्ष्म संरचनात्मक विवरणों को संरक्षित किया जाता है।

मूल लेखक: 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

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: 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

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: मरीज को अंधा किए बिना अदृश्य को देखना

कल्पना कीजिए कि आप एक अंधेरे कमरे में एक नाजुक, पारदर्शी जेलीफ़िश की तस्वीर लेने की कोशिश कर रहे हैं। यदि आप एक तेज़ फ्लैश (उच्च विकिरण खुराक/high radiation dose) का उपयोग करते हैं, तो आपको एक स्पष्ट तस्वीर मिलती है, लेकिन वह फ्लैश जेलीफ़िश को नुकसान पहुँचा सकता है या वातावरण को खराब कर सकता है। यदि आप सुरक्षित रहने के लिए मंद रोशनी (कम विकिरण खुराक) का उपयोग करते हैं, तो फोटो दानेदार और शोर (noise/static) से भरी आती है, जिससे जेलीफ़िश के छोटे टेंटेकल्स को देखना कठिन हो जाता है।

यही समस्या डॉक्टरों के सामने फेफड़ों के फेज़-कॉन्ट्रास्ट सीटी (Phase-Contrast CT) स्कैन के साथ आती है। यह विशेष प्रकार का एक्स-रे सॉफ्ट टिश्यू (जैसे फेफड़ों की वायु थैलियाँ) दिखाने में अद्भुत है जिन्हें सामान्य एक्स-रे नहीं देख पाते। हालाँकि, एक सुरक्षित, कम विकिरण खुराक प्राप्त करने के लिए, चित्र बहुत शोर वाले हो जाते हैं, जैसे कि बहुत अधिक स्टैटिक (static) वाली टीवी स्क्रीन।

आमतौर पर, इस शोर को ठीक करने के लिए वैज्ञानिक "सुपरवाइज्ड" (supervised) AI का उपयोग करते हैं। वे AI को हजारों "खराब" (कम-डोज) और "परफेक्ट" (हाई-डोज) तस्वीरों के जोड़े दिखाते हैं ताकि वह उन्हें साफ करना सीख सके। समस्या क्या है? आप AI को प्रशिक्षित करने के लिए केवल एक मरीज की "परफेक्ट" हाई-डोज फोटो नहीं ले सकते; क्योंकि वह असुरक्षित होगा।

समाधान: "Neighbor2Inverse"

इस शोध के लेखकों ने Neighbor2Inverse नामक एक नई विधि बनाई है। एक "परफेक्ट" फोटो की आवश्यकता के बिना, यह विधि केवल "खराब" तस्वीरों का उपयोग करके खुद को शोर साफ करना सिखाती है।

यह कैसे काम करता है, यहाँ सरल उपमा (analogy) के माध्यम से चरण-दर-चरण दिया गया है:

1. "कुकी को विभाजित करने" की ट्रिक

कल्पना कीजिए कि आपके पास एक कुकी है जो यादृच्छिक (random) स्प्रिंकल्स (शोर) से ढकी हुई है। आप उन स्प्रिंकल्स को हटाना चाहते हैं लेकिन कुकी का आकार बनाए रखना चाहते हैं।

पुराना तरीका: आपको तुलना करने के लिए एक दूसरी, साफ कुकी की आवश्यकता होती है।
Neighbor2Inverse का तरीका: आप अपनी एकल शोर वाली कुकी को लेते हैं और उसे दो टुकड़ों में काट देते हैं। आप इसे एक विशिष्ट तरीके से करते हैं:
- टुकड़े A को हर छोटे वर्ग के ऊपर-बाएँ और नीचे-दाएँ कोनों से मिलने वाले स्प्रिंकल्स मिलते हैं।
- टुकड़े B को ऊपर-दाएँ और नीचे-बाएँ कोनों से मिलने वाले स्प्रिंकल्स मिलते हैं।
- जादू: दोनों टुकड़े अभी भी एक ही कुकी की तरह दिखते हैं (संरचना समान है), लेकिन स्प्रिंकल्स अलग-अलग, यादृच्छिक स्थानों पर हैं। वे "स्वतंत्र" (independent) हैं।

2. "शिक्षक और छात्र" का खेल

AI एक छात्र की तरह कार्य करता है। वह टुकड़ा A को देखता है और अनुमान लगाने की कोशिश करता है कि टुकड़ा B कैसा दिखता है।

चूंकि दोनों टुकड़ों में कुकी का आकार समान है, इसलिए AI यादृच्छिक स्प्रिंकल्स (शोर) को अनदेखा करना और कुकी के आकार (फेफड़ों के ऊतक) पर ध्यान केंद्रित करना सीख जाता है।
क्योंकि प्रत्येक टुकड़े में स्प्रिंकल्स अलग हैं, AI समझ जाता है, "ओह, यह स्प्रिंकल कुकी का हिस्सा नहीं है; यह केवल यादृच्छिक शोर है!"
यह दोनों टुकड़ों के बीच के अंतर को औसत निकालकर साफ कुकी की भविष्यवाणी करना सीख जाता है।

3. "इनवर्स" वाला हिस्सा (कठिन हिस्सा)

अधिकांश समान AI विधियाँ इस विभाजन की ट्रिक को कच्चे एक्स-रे डेटा पर करने की कोशिश करती हैं इससे पहले कि वह एक छवि बने। लेकिन इस विशेष प्रकार के फेफड़ों के स्कैन के लिए, यह एक गड़बड़ी पैदा करता है।

नवाचार: लेखकों ने महसूस किया कि उन्हें कच्चे डेटा को इमेज में बदलने के बाद विभाजन करना चाहिए, लेकिन उन्हें इमेज को तोड़ने से बचने के लिए डेटा को विभाजित करने के तरीके में बहुत चतुर होना होगा।
उन्होंने कच्चे डेटा को विभाजित करने, दो थोड़ी अलग छवियां बनाने और फिर AI को उन दोनों छवियों को एक-दूसरे से पूरी तरह से मिलाने के लिए प्रशिक्षित करने का एक तरीका विकसित किया। यह "इनवर्स" (उल्टा) हिस्सा है—साफ तस्वीर पाने के लिए पहेली को उल्टा सुलझाना।

उन्होंने क्या पाया?

टीम ने वास्तविक फेफड़ों के स्कैन (एक बछड़े के फेफड़े का उपयोग करके) और मानव छाती के सिम्युलेटेड लो-डोज स्कैन पर इसका परीक्षण किया।

"पुराने" AI से बेहतर: अन्य स्व-शिक्षण विधियों की तुलना में, Neighbor2Inverse विवरणों को धुंधला किए बिना "स्टैटिक" को हटाने में बहुत बेहतर था। इसने छोटी वायु थैलियों और फेफड़ों की संरचनाओं को स्पष्ट रखा।
"गणितीय" फिल्टर से बेहतर: पारंपरिक गणितीय फिल्टर (जैसे एक खुरदरे पत्थर को चिकना करना) शोर को तो हटा देते थे लेकिन महत्वपूर्ण विवरणों को भी मिटा देते थे। Neighbor2Inverse ने विवरणों को सुरक्षित रखा।
"नकली" डेटा की समस्या: उन्होंने कंप्यूटर-जनरेटेड "नकली" शोर का उपयोग करके एक AI को प्रशिक्षित करने की कोशिश की जो वास्तविक शोर की नकल करता है। यह ठीक-ठाक रहा, लेकिन कभी-कभी इसने छवि को विकृत कर दिया क्योंकि नकली शोर वास्तविक दुनिया से पूरी तरह मेल नहीं खाता था। Neighbor2Inverse, जो वास्तविक डेटा से खुद सीखता है, बेहतर प्रदर्शन करता है।
समझौता (Trade-off): उन्होंने पाया कि यदि आप ली जाने वाली एक्स-रे तस्वीरों की संख्या कम करते हैं (समय/डोज बचाने के लिए), तो इमेज इस तरह से खराब होती है जिसे केवल रोशनी को धीमा करने की तुलना में ठीक करना कठिन होता है। हालांकि, Neighbor2Inverse ने इन कठिन स्थितियों में भी काफी मदद की।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र दावा करता है कि Neighbor2Inverse एक शक्तिशाली नया उपकरण है जो डॉक्टरों को उच्च-गुणवत्ता वाली, कम-विकिरण वाली फेफड़ों की छवियां प्राप्त करने की अनुमति देता है, जिसके लिए कंप्यूटर को प्रशिक्षित करने के लिए किसी "परफेक्ट" संदर्भ छवि की आवश्यकता नहीं होती है। यह कंप्यूटर को एक ही शोर वाली तस्वीर के दो थोड़े अलग संस्करणों की तुलना करके शोर को साफ करना सिखाता है, जिसके परिणामस्वरूप स्पष्ट छवियां मिलती हैं जो फेफड़ों के सूक्ष्म, महत्वपूर्ण विवरणों को सुरक्षित रखती हैं।

नोट: यह शोध पत्र पूरी तरह से इस डैनोइज़िंग (denoising) विधि के तकनीकी विकास और फेफड़ों के डेटा पर इसके परीक्षण पर केंद्रित है। यह दावा नहीं करता है कि यह वर्तमान में अस्पतालों में उपयोग किया जा रहा है या इसे नैदानिक रोगी देखभाल के लिए अनुमोदित किया गया है; यह इसे संभव बनाने की दिशा में एक शोध कदम है।

तकनीकी सारांश: लो-डोज PBI-CT डिनोइजिंग के लिए Neighbor2Inverse

समस्या विवरण

प्रोपैगेशन-आधारित एक्स-रे फेज-कॉन्ट्रास्ट इमेजिंग (PBI), विशेष रूप से फेफड़ों के इमेजिंग के लिए, बेहतर सॉफ्ट-टिश्यू कंट्रास्ट प्रदान करती है, जो संभावित रूप से आक्रामक बायोप्सी की आवश्यकता को कम कर सकती है। हालांकि, PBI को क्लिनिकल अभ्यास में लाने के लिए महत्वपूर्ण विकिरण खुराक (radiation dose) में कमी की आवश्यकता है। खुराक कम करने की वर्तमान रणनीतियाँ—जैसे एक्सपोज़र समय को कम करना, प्रोजेक्शन की संख्या सीमित करना, या रीजन ऑफ इंटरेस्ट (ROI) तक फील्ड ऑफ व्यू को प्रतिबंधित करना—अनिवार्य रूपв रूप से इमेज नॉइज़ को बढ़ाती हैं और आर्टिफ़ेक्ट्स (जैसे ट्रंकेशन आर्टिफ़ेक्ट्स, रिंग आर्टिफ़ेक्ट्स) पेश करती हैं।

जबकि डीप लर्निंग-आधारित डिनोइजिंग ने काफी संभावनाएं दिखाई हैं, सुपरवाइज्ड विधियों के लिए पेअर्ड लो-डोज और हाई-डोज डेटासेट की आवश्यकता होती है, जो नैतिक और लॉजिस्टिक बाधाओं के कारण वास्तव में दुर्लभ हैं। सिम्युलेटेड डेटा अक्सर वास्तविक दुनिया की नॉइज़ विशेषताओं को दोहराने में विफल रहता है, जिससे बायस (bias) उत्पन्न होता है। मौजूदा सेल्फ-सुपरवाइज्ड विधियाँ (जैसे Noise2Noise, Neighbor2Neighbor, Noise2Inverse) ग्राउंड ट्रुथ की कमी को संबोधित करती हैं, लेकिन वे ROI PBI-CT की विशिष्ट चुनौतियों के लिए अनुकूलित नहीं हैं, जिनमें स्थानिक रूप से सह-संबंधित शोर (spatially correlated noise), फेज रिट्रीवल की आवश्यकताएं, और बड़े पिक्सेल काउंट से जुड़ी उच्च कम्प्यूटेशनल मांगें शामिल हैं।

कार्यप्रणाली (Methodology)

लेखक Neighbor2Inverse का प्रस्ताव करते हैं, जो एक सेल्फ-सुपरवाइज्ड डिनोइजिंग फ्रेमवर्क है जिसे विशेष रूप से लो-डोज PBI-CT के लिए डिज़ाइन किया गया है और जो क्लिनिकल CT के लिए सामान्यीकरण (generalize) करने में सक्षम है। यह विधि टोमोग्राफिक इनवर्स प्रॉब्लम के लिए Neighbor2Neighbor के सिद्धांत को अनुकूलित करती है।

मुख्य पाइपलाइन

प्रोजेक्शन डोमेन में सबसैंपलिंग: deconstructed इमेज को सबसैंपल करने के बजाय, यह विधि कच्चे प्रोजेक्शन डेटा ( $p_\phi$ ) को सबसैंपल करती है। एक एकल नॉइजी प्रोजेक्शन को नॉन-ओवरलैपिंग $2 \times 2$ पिक्सेल पैचेस में विभाजित किया जाता है। प्रत्येक पैच से, दो नैबरिंग पिक्सेल को रैंडमली चुना जाता है ताकि दो सबसैम्पल्ड वेरिएंट, $g_1(p_\phi)$ और $g_2(p_\phi)$ उत्पन्न किए जा सकें। ये वेरिएंट लगभग समान स्ट्रक्चरल जानकारी साझा करते हैं लेकिन इनमें सांख्यिकीय रूप से स्वतंत्र नॉइज़ रियलाइजेशन होते हैं।
रिकन्स्ट्रक्शन पाइपलाइन: सबसैम्पल्ड प्रोजेक्शन मानक PBI रिकन्स्ट्रक्शन पाइपलाइन से गुजरते हैं:
- फेज रिट्रीवल: सिंगल-मटेरियल फेज रिट्रीवल एल्गोरिदम (Paganin et al.) का उपयोग करके थिकनेस मैप्स की गणना की जाती है।
- रिकन्स्ट्रक्शन: इमेज स्लाइस उत्पन्न करने के लिए फिल्टर्ड बैकप्रोजेक्शन (FBP) लागू किया जाता है।
ट्रेनिंग ऑब्जेक्टिव: एक U-Net डिनोइजिंग नेटवर्क ( $f_\theta$ ) को इमेज डोमेन में प्रशिक्षित किया जाता है। एक रिकन्स्ट्रक्टेड स्लाइस (जो $g_1$ से प्राप्त है) को नेटवर्क में फीड किया जाता है, और दूसरा (जो $g_2$ से प्राप्त है) टारगेट के रूप में कार्य करता है। नेटवर्क नॉइज़-फ्री ग्राउंड ट्रुथ की आवश्यकता के बिना, नॉइजी इनपुट को "साफ" टारगेट में मैप करना सीखता है।
लॉस फंक्शन्स (Loss Functions):
- बेस लॉस ( $L_{Nei}$ ): नेटवर्क आउटपुट और टारगेट सबसैम्पल्ड रिकन्स्ट्रक्शन के बीच के अंतर को कम करता है।
- रेगुलराइजेशन ( $L_{reg}$ ): सबसैम्पल्ड इनपुट्स के बीच संभावित सिग्नल विसंगतियों को ध्यान में रखने के लिए Neighbor2Neighbor करेक्शन टर्म का एक अनुकूलन।
- डेटा फिडेलिटी वेरिएंट्स: लेखकों ने $L_{reg}$ को डेटा फिडेलिटी टर्म्स ( $L_{origSino}$ और $L_{virtSino}$ ) से बदलने की भी खोज की, जो मापे गए डेटा के साथ निरंतरता बनाए रखने के लिए नेटवर्क आउटपुट (फॉरवर्ड प्रोजेक्शन के बाद) की तुलना मूल या वर्चुअल सिनोग्राम से करते हैं।

प्रयोगात्मक सेटअप

PBI डेटासेट: ऑस्ट्रेलियन सिनक्रोट्रॉन द्वारा प्राप्त काफ लंग स्कैन्स। इसमें 70 keV पर 3600 प्रोजेक्शन शामिल हैं। सात एक्सपोज़र समय (15ms से 200ms) का परीक्षण किया गया। 200ms स्कैन्स को हाई-क्वालिटी रेफरेंस के रूप में उपयोग किया गया, जबकि 15ms स्कैन्स लो-डोज स्थितियों को सिम्युलेट करते हैं।
क्लिनिकल डेटासेट: RSNA पल्मोनरी एम्बोलिज्म डिटेक्शन चैलेंज से 200 चेस्ट CT एग्जाम। लो-डोज स्थितियों को वॉल्यूम को फॉरवर्ड-प्रोजेक्ट करके और मिक्सड पॉइसन-गौसियन नॉइज़ जोड़कर सिम्युलेट किया गया।
तुलना: इस विधि का बेंचमार्किंग एनालिटिकल फिल्टर्स (Gaussian, BM3D, TV, Wavelet), अन्य सेल्फ-सुपरवाइज्ड विधियों (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN), और सिंथेटिक नॉइज़ का उपयोग करने वाले एक सुपरवाइज्ड अप्रोच (FakeNoiseNet) के विरुद्ध किया गया।

प्रमुख योगदान

नया फ्रेमवर्क: ROI PBI-CT के इनवर्स प्रॉब्लम के लिए विशेष रूप से तैयार किया गया पहला सेल्फ-सुपरवाइज्ड डिनोइजिंग मेथड, Neighbor2Inverse का परिचय, जो स्थानिक रूप से सह-संबंधित शोर और फेज रिट्रीवल बाधाओं को संबोधित करता है।
डोमेन अडैप्टेशन: यह विधि प्रोजेक्शन-डोमेन सबसैंपलिंग और इमेज-डोमेन डिनोइजिंग के बीच के अंतर को सफलतापूर्वक पाटती है, जिससे नेटवर्क अंतिम रिकन्स्ट्रक्टेड इमेजेस में स्थानिक सहसंबंधों (spatial correlations) का लाभ उठा सकता है।
व्यापक मूल्यांकन: सिनक्रोट्रॉन PBI डेटा और सिम्युलेटेड क्लिनिकल CT डेटा दोनों पर एक विस्तृत रेंज के एनालिटिकल और लर्निंग-बेस्ड मेथड्स के विरुद्ध एक व्यवस्थित तुलना।
रोबस्टनेस विश्लेषण: स्पार्स-व्यू कंडीशंस (अंडरसैंपलिंग) के तहत विधि के प्रदर्शन और रेगुलराइजेशन हाइपरपैरामीटर्स के प्रति संवेदनशीलता की जांच।

परिणाम

PBI डेटा (15ms बनाम 200ms): Neighbor2Inverse ने एनालिटिकल मेथड्स और अन्य सेल्फ-सुपरवाइज्ड अप्रोच की तुलना में सूक्ष्म संरचनात्मक विवरणों (जैसे एल्वियोलर बाउंड्रीज) को सुरक्षित रखते हुए श्रेष्ठ नॉइज़ सप्रेशन हासिल किया।
- मेट्रिक्स: इसने सभी परीक्षण किए गए तरीकों में उच्चतम कंपोजिट इमेज क्वालिटी इंडेक्स ( $Q = \text{CNR}/\text{SR}$ ) प्राप्त किया। विशेष रूप से, सिनोग्राम सबसैंपलिंग वेरिएंट ने $Q$ का $2.507 \pm 1.087$ प्राप्त किया, जो इस मेट्रिक में 200ms रेफरेंस ( $1.413 \pm 0.304$ ) से बेहतर था।
- विजुअल्स: ओवरस्मूथ करने वाले तरीकों (जैसे TV, Gaussian) या स्ट्रक्चरल डिस्टॉर्शन पैदा करने वाले तरीकों (जैसे FakeNoiseNet) के विपरीत, Neighbor2Inverse ने शार्पनेस बनाए रखी और प्रभावी ढंग से नॉइज़ को कम किया।
क्लिनिकल डेटा: सिम्युलेटेड लो-डोज क्लिनिकल CT पर, Neighbor2Inverse ने प्रतिस्पर्धी प्रदर्शन दिखाया, जो PSNR और SSIM में सुपरवाइज्ड U-Net के काफी करीब रहा, हालांकि Noise2Inverse ने इन विशिष्ट मेट्रिक्स पर थोड़ा उच्च स्कोर दिखाया (जिसे लेखक नोट करते हैं कि ये ओवर-स्मूथ इमेजेस का पक्ष लेते हैं)।
स्पार्स-व्यू परफॉरमेंस: जब इसे केवल 900 प्रोजेक्शन (मूल का आधा) वाले डेटा पर लागू किया गया, तो Neighbor2Inverse ने नॉइज़ और एंगुलर अंडरसैंपलिंग आर्टिफ़ेक्ट्स दोनों को कम किया, हालांकि बारीक संरचनाओं के कंट्रास्ट में कुछ कमी आई।
डोज रिडक्शन स्ट्रैटेजी: अध्ययन में पाया गया कि प्रोजेक्शन की संख्या कम करने की तुलना में प्रति प्रोजेक्शन एक्सपोज़र समय को कम करना इमेज क्वालिटी के लिए कम हानिकारक है, क्योंकि थिकनेस रिट्रीवल स्टेप एक निहित (implicit) नॉइज़ फिल्टर के रूप में कार्य करता है।

महत्व और दावे

पेपर का दावा है कि Neighbor2Inverse, बिना किसी पेअर्ड हाई-डोज ट्रेनिंग डेटा के, पर्याप्त रूप से कम रेडिएशन डोज पर उच्च-गुणवत्ता वाली इमेजिंग को सक्षम करके PBI के क्लिनिकल ट्रांसलेशन की दिशा में एक महत्वपूर्ण कदम है।

क्लिनिकल प्रासंगिकता: यह विधि फेफड़ों की इमेजिंग में रेडिएशन सुरक्षा की महत्वपूर्ण बाधा को संबोधित करती है, जो पर्याप्त डायग्नोस्टिक डिटेल प्रदान करके गैर-आक्रामक तरीके से बायोप्सी की आवश्यकता को कम कर सकती है।
मेथोडोलॉजिकल इनसाइट: लेखक प्रदर्शित करते हैं कि इस विशिष्ट अनुप्रयोग के लिए, प्रभावी ट्रेनिंग के लिए डेटा रेगुलराइजेशन ( $L_{reg}$ ) पूरी तरह से आवश्यक नहीं है, हालांकि डेटा फिडेलिटी टर्म्स स्ट्रक्चरल प्रिजर्वेशन में सुधार कर सकते हैं, भले ही इससे थोड़ा अधिक रेसिडुअल नॉइज़ हो।
सीमाएं और भविष्य का कार्य: वे विनम्रतापूर्वक स्वीकार करते हैं कि क्वांटिटेटिव मेट्रिक्स (CNR, SSIM, PSNR) सूक्ष्म स्ट्रक्चरल डिस्टॉर्शन के प्रति असंवेदनशील हो सकते हैं और ओवर-स्मूथ इमेजेस का पक्ष ले सकते हैं। वे सुझाव देते हैं कि भविष्य के कार्य को क्लिनिकल डायग्नोस्टिक जरूरतों के साथ बेहतर तालमेल बिठाने के लिए टास्क-बेस्ड इवैल्यूएशन पर ध्यान केंद्रित करना चाहिए। इसके अतिरिक्त, डेटा-फिडेलिटी फॉर्मुलेशनों की अधिक गहन जांच को एक आशाजनक दिशा के रूप में प्रस्तावित किया गया है।

कार्य यह निष्कर्ष निकालता है कि Neighbor2Inverse लगातार लो-डोज रिजीम में इमेज क्वालिटी को बढ़ाता है और मध्यम अंडरसैंपलिंग के तहत मजबूत बना रहता है, जो PBI को क्लिनिकल एप्लीकेशन के करीब लाने के लिए एक व्यवहार्य मार्ग प्रदान करता है।