Iako 3D CT skeniranje nudi detaljne slike unutrašnjih struktura, 1.000 do 2.000 rendgenskih zraka snimljenih pod različitim uglovima tokom skeniranja može povećati rizik od raka kod ranjivih pacijenata. CT skenovi sa retkim pregledom, koji snimaju samo 100 ili čak manje projekcija rendgenskih zraka, drastično smanjuju izloženost zračenju, ali stvaraju izazove za rekonstrukciju slike.
Nedavno su tehnike učenja pod nadzorom — vrsta mašinskog učenja koja obučava algoritme sa označenim podacima — poboljšale brzinu i rezoluciju rekonstrukcija MRI i rekonstrukcije CT slika sa nedovoljno uzorkovanih slika. Međutim, označavanje ovih velikih skupova podataka za obuku je dugotrajno i skupo.
Inženjerski istraživači Univerziteta u Mičigenu predvodili su razvoj novog okvira nazvanog DiffusionBlend koji može efikasno da radi sa 3D slikama, čineći metodu dramatično primenljivijom na CT i MRI. Nalazi su objavljeni na arXiv serveru za preprint.
DiffusionBlend koristi model difuzije — tehniku učenja samo-nadgledanja koja uči distribuciju podataka pre — da bi se postigla rekonstrukcija 3D CT-a sa retkim pogledom kroz zadnje uzorkovanje. Studija je predstavljena danas na Konferenciji o sistemima za neuralnu obradu informacija (NeurIPS) u Vankuveru, Britanska Kolumbija.
„Naš novi metod poboljšava brzinu i efikasnost, kao i kvalitet rekonstrukcije, što je ključno za medicinsko snimanje“, rekao je Boven Song, student doktorskih studija elektrotehnike i računarstva i koautor studije.
DiffusionBlend uči prostorne korelacije između grupe obližnjih preseka 2D slike, koje se nazivaju 3D-patch difuzija pre, a zatim spaja rezultate višeslojnih zakrpa da bi modelirao ceo volumen 3D CT slike.
Kada je testiran na javnom skupu podataka 3D CT skeniranja sa retkim pogledom, DiffusionBlend je nadmašio različite osnovne metode uključujući četiri pristupa difuzije na osam, šest i četiri prikaza sa uporedivim ili boljim kvalitetom računarske slike.
„Do ove tačke, zahtevi za memorijom i niska računarska efikasnost difuzionih modela imali su ograničenu praktičnu primenu. Naš pristup prevazilazi ove prepreke, pomerajući korak u pravom smeru,“ rekao je Lijue Šen, docent elektrotehnike i računarstva u U-M i viši autor studije.
Dalje poboljšavajući praktičnost, metode ubrzanja su ubrzale vreme rekonstrukcije DiffusionBlend CT na jedan sat kada su prethodne metode trajale do 24 sata.
„Bilo je iznenađujuće koliko možete da ubrzate proces bez žrtvovanja kvaliteta rekonstrukcije. To je nešto što smo smatrali veoma korisnim“, rekao je Džejson Hu, student doktorskih studija elektrotehnike i računarstva i koautor studije.
Metode dubokog učenja mogu da uvedu greške koje uzrokuju vizuelne artefakte – vrstu halucinacije AI koja stvara sliku nečega što zapravo nije tu. Kada je reč o dijagnostici pacijenata, vizuelni artefakti bi brzo postali veliki problem.
Istraživači su potisnuli vizuelne artefakte kroz optimizaciju konzistentnosti podataka, posebno koristeći metodu konjugovanog gradijenta, i izmerili koliko dobro generisane slike odgovaraju merenjima sa metrikama kao što je odnos signal-šum.
„Još smo u prvim danima ovoga, ali ovde postoji mnogo potencijala. Mislim da se principi ove metode mogu proširiti na četiri dimenzije, tri prostorne dimenzije plus vreme, za aplikacije kao što su slikanje srčanih udara ili kontrakcija stomaka, “ rekao je Jeff Fessler, ugledni univerzitetski profesor elektrotehnike i računarstva Villiam L. Root na U-M i ko-korespondentni autor studije.
