زمینه تصویربرداری عصبی کودکان در طول دهه گذشته با تکامل سریع مواجه شده است، با الگوریتم های کاهش سر و صدا که نقش فزاینده ای در افزایش کیفیت تصویر و دقت تشخیصی ایفا می کند، بر خلاف تصویربرداری بزرگسالان، اسکن های کودکان چالش های متمایزی را ارائه می دهند: ساختارهای آناتومیک کوچکتر، حساسیت بیشتر به حرکت، و نیاز به پروتکل های خرید سریع تر برای به حداقل رساندن نیازهای آرام سازی - چه از محدودیت های حرکتی، و یا الگوریتم پیشرفته - در حال حاضر به منظور جلوگیری از آن ها از بهبود می دهد.

اهمیت کاهش نویز در تصویربرداری عصبی کودکان

تصویربرداری دقیق در کودکان برای تشخیص ناهنجاری های مادرزادی، آسیب مغزی تروما، صرع، اختلالات رشد عصبی و تومورهای مغزی کودکان ضروری است.حتی صدای جزئی می تواند منجر به تفسیر نادرست شود - به عنوان مثال، روح تحریک حرکتی ممکن است به طور فزاینده ای تقلید از یک صدای زنگ زدن فضایی.

اسکن های تکراری به دلیل کیفیت ضعیف صرفاً یک ناراحتی نیستند؛ آنها اضطراب کودکان و خانواده ها را افزایش می دهند، نیاز به آرام بخش با خطرات مرتبط خود را افزایش می دهند و هزینه های مراقبت های بهداشتی را افزایش می دهند، بنابراین الگوریتم های کاهش سر و صدا قوی نه تنها یک لوکس فنی بلکه یک ضرورت بالینی است که آنها توانایی های میدان مغناطیسی را برای استفاده با نتایج قابل قبول، زمان های کوتاه تر اسکن که بار حرکت را کاهش می دهند و تصاویر با وضوح بالاتر که جزئیات مغز را در حال توسعه می دهند، نشان می دهد.

انواع نویز در داده های تصویربرداری عصبی کودکان

نویز در نورگیری از منابع متعدد ناشی می شود، هر کدام با ویژگی های متمایز درک این موارد برای طراحی الگوریتم های موثر بسیار مهم است.

صدای حرارتی

صدای حرارتی (جانسون-Nyquist) از حرکت تصادفی الکترون ها در کویل های MRI و پیشamplifiers سرچشمه می گیرد، این افزودنی، سفید و Gaussian در توزیع است، در حالی که صدای حرارتی همیشه وجود دارد، تاثیر نسبی آن در اسکن های کودکان به دلیل اندازه کوچک تر سر و نسبت سیگنال پایین تر (NRS) بیشتر است.

حرکت Artifacts

حرکت مسلماً پر از تعادل ترین منبع صدا در تصویربرداری از کودکان است، حتی کودکان تعاونی اغلب در طول اسکن حرکت می کنند، تولید تار، شبح و مصنوعات حلقه ای.جنبش های غیر ارادی مانند بلع یا حرکات چشم، همچنین کمک می کنند.

صدای فیزیولوژیک

ضربان قلب و چرخه تنفسی باعث ایجاد تغییرات دوره ای در میدان مغناطیسی، به ویژه در مغز و باندال در fMRI، این نوسانات می تواند سیگنال های فعال سازی عصبی را تقلید کند مگر اینکه به درستی مدل شده و برداشته شود.

Gibbs Ringing و Truncation Artifacts

زنگ گیبز به نظر می رسد به عنوان موج نزدیک به انتقال شدت تیز، مانند رابط بین ماده خاکستری و مایع نخاعی، این صدای تصادفی نیست، بلکه یک اثر هنری سیستماتیک از نمونه برداری متناهی k-space است، که در آن ساختارهای کوچک رایج هستند، Gibbs می تواند مرزهای مبهم که برای تجزیه و تحلیل حجمی حیاتی هستند.

صدای الکترونیکی و زیست محیطی

میدان مغناطیسی درhomogeneities، غیر خطیب گرادینت ها و تداخل فرکانس رادیویی خارجی می تواند الگوهای سر و صدا ساختاری را معرفی کند، در حالی که بهبود سخت افزار برخی از این موارد را کاهش می دهد، اصلاح الگوریتمی ضروری است.

توسعه الگوریتم های کاهش نویز

الگوریتم های کاهش نویز برای تصویربرداری عصبی کودکان از پردازش سیگنال کلاسیک به روش های مدرن مبتنی بر داده تکامل یافته است.هدف همیشه به حداکثر رساندن تجارت بین سرکوب سر و صدا و حفظ ویژگی های مرتبط با تشخیص است.

تکنیک های فیلترینگ سنتی

فیلترهای Domain Filter

صاف کردن Gaussian یک اتصال با یک هسته Gaussian، به طور متوسط پیکسل های همسایه برای کاهش نویز با فرکانس بالا اعمال می شود، با این حال، لبه ها و جزئیات دقیق را محو می کند، که در تصاویر کودکان مشکل دارد که در آن مرزهای بین ساختارهای کوچک محدود است. فیلترینگ رسانه ای بیشتر از لبه است، اما می تواند خطوط نازک را حذف کند اگر اندازه هسته خیلی بزرگ باشد.

دانلود بازی Wavelet-based Denoising

Wavelet تصویر را به مقیاس های فرکانس مختلف تجزیه می کند.با آستانه دادن ضریب های کوچک که فرض می شود نشان دهنده نویز باشد، روش لبه ها را بهتر از فیلترهای فضایی حفظ می کند. الگوریتم های آستانه انطباقی مانند برآورد ریسک بی طرف Stein (SURE) یا £، برای تصویربرداری عصبی طراحی شده اند.

معنی های غیر پرکال (NLM)

NLM از قرمزی در تصاویر طبیعی با تکه های به طور متوسط که در ظاهر مشابه هستند بهره می برد، حتی اگر آنها در تصویر بسیار جدا از هم باشند، این تکنیک به خوبی برای نویز حرارتی و برخی از نویز فیزیولوژیکی کار می کند، اما به صورت محاسباتی گران است و می تواند ساختارهای کوچک را در صورت تنظیم صحیح تنظیم کند.

مجموع تنوع (TV) منظم سازی

به حداقل رساندن تلویزیون فرض می کند که تصویر واقعی دارای شیب های کوچک است.با خودکار کردن گرادیان بزرگ در راه حل، تجزیه و تحلیل تلویزیون می تواند سر و صدا را در حالی که حفظ لبه ها، ممکن است مصنوعات پله ای (مناطق ثابت جزئی) تولید کند که در آناتومی مداوم مانند قشر قشر نامطلوب هستند.

رویکرد یادگیری ماشین

ظهور یادگیری عمیق کاهش نویز در تصویربرداری عصبی را انقلابی کرده است.شبکه های عصبی کانولوی (CNNs) ویژگی های سلسله مراتبی را مستقیما از داده ها یاد می گیرند و آنها را قادر می سازد تا سیگنال را به طور موثر از نویز تشخیص دهند تا فیلترهای دستی.

ان ان ان ان ان ان دناتور

معماری های U-Net که در ابتدا برای تقسیم بندی طراحی شده اند، برای تجزیه و تحلیل سازگار شده اند. ساختار کدر با اتصالات پرش هر دو زمینه جهانی و جزئیات خوب را ضبط می کند. آموزش در جفت تصاویر پر سر و صدا و تمیز (یا استفاده از استراتژی های سر و صدا در هنگام تصاویر تمیز و بدون دسترس) به شبکه اجازه می دهد تا نقشه برداری که سرکوب سر و صدا در هنگام بازسازی ساختار تصویربرداری کودکان، به دست آورده اند، و تصاویر برتر در عملکرد T2، و وزن، و تصاویر T2، تصاویر به دست آمده است.

شبکه های ضد افسردگی (GAN)

GAN ها از یک ژنراتور برای تولید تصاویر غیر قابل شناسایی و یک دیسک کشاتور برای تشخیص آنها از تصاویر تمیز واقعی استفاده می کنند، این آموزش مجاور تولید خروجی های واقعی واقعی را ایجاد می کند، اگرچه گاهی اوقات با هزینه معرفی جزئیات توهم انگیز برای استفاده از کودکان، که در آن وفاداری مهم است، منتقدان نگرانی در مورد ویژگی های "fake" را مطرح کرده اند که می تواند تشخیص دهد.

روش های خود-supervised و Unsupervised

برای دور زدن نیاز به داده های جفت شده، روش هایی مانند Noise2Noise، Noise2Void و آموزش مبتنی بر تقسیم-Bregman توسعه یافته است.این به ویژه در کودکان ارزشمند است، که در آن به دست آوردن تصاویر تمیز زمینی به دلیل حرکت و محدودیت های اخلاقی به چالش می کشد.

مدل های مبتنی بر تبدیل

ترانسفورماتورهای چشم انداز (ViTs) و ترانسفورماتورهای Swin در حال حاضر به تصویر پزشکی اعمال می شوند، مکانیسم های خود-هدف آنها می توانند وابستگی های بلند مدت را مدل کنند، به طور بالقوه با استفاده از مصنوعات ساختاری مانند Gibbs بهتر از سی ان ها زنگ می زنند.

چالش ها و مسیرهای آینده

علی رغم پیشرفت قابل توجه، چندین چالش در ابتدا ادامه دارد، تعمیم در سراسر اسکنرهای مختلف MRI، نقاط قوت میدان و جمعیت بیمار همچنان غیر قابل درک است.یک مدل آموزش داده شده در مجموعه داده ها از اسکنر 3T ممکن است در تصاویر از اسکنر 1.5T یا در نئودنس در مقابل تکنیک های سازگاری دامنه و یادگیری تغذیه شده به این شکاف ها بررسی شود.

دوم، زمان واقعی یا تقریباً زمان، هنوز استاندارد نیست. بسیاری از مدل های یادگیری عمیق نیاز به ثانیه به دقیقه پردازش دارند که در طول اسکن زنده غیر عملی است.

سوم، معیارهای ارزیابی هنوز مورد بحث قرار می گیرند در حالی که نسبت سیگنال به اوج (PSNR) و شاخص شباهت ساختاری (SSIM) رایج است، آنها همیشه با درک رادیولوژی مرتبط نیستند.معیارهای خاص وظیفه، مانند دقت تقسیم بندی در تصاویر غیر مجاز، توصیه می شوند.

در ادامه، چندین روند به احتمال زیاد به شکل گیری زمینه (FLT:0) کاهش قابل قبول که با اندازه سر کودک، الگوهای حرکت و مسیر خاص سازگار است، نه تنها یک منطقه فعال از دست دادن MRI است. Motion در زمان واقعی [F3] با استفاده از ردیابی نوری از طریق دوربین های داخل اسکنر، قادر به تولید اطلاعات یکپارچه است.

نتیجه گیری

توسعه الگوریتم ها برای کاهش سر و صدا در تصویربرداری کودکان یک زمینه پویا و انتقادی است.از فیلتر موج سنتی به یادگیری عمیق و ترانسفورماتور، هر پیشرفت ما را به تصاویری نزدیک تر می کند که هم با وضوح بالا و هم عاری از مصنوعات تصویربرداری کودکان، چالش های منحصر به فرد آناتومی کوچکتر، حرکت و تقاضای صوتی فیزیولوژیکی که سرکوب صدا را با ساختار حفظ ماشین آلات یادگیری تبدیل می کند، به دانشمندان کارآمد تر و فن آوری های دقیق تر برای ردیابی دقیق تر نیاز دارند، و نه تنها به دنبال راه حل های تشخیصی ضروری برای ردیابی دقیق تر از طریق تجزیه و تجزیه و تحلیل دقیق تر، بلکه به دنبال راه حل های صوتی هستند.