הדמיה חוזרת מגנטית של הלב (MRI) הפכה כלי חיוני להערכת האנטומיה של הלבלב, הפונקציה ותכונות רקמות. MRI דינמי לב, אשר ללכוד תמונות של הלב הפועם על מסגרות זמן מרובות, מספק מידע קריטי על התנועה הלבלבית, פיזור, ותפקוד דינמי של דלקת ריאות מדויקת (Rimnavalvular) עם זאת, ההתנגשויות המסחריות הטבועים בין פתרון מרחבי, רזולוציה זמנית, ורזולוציה אותות, ו-L-to-to-to-in-in-to-in-in-to-in-in-in-in-in-in-in-in-in-in-in-in-to-in-in-in-to-to-to-in-to-to-to-to-to-to-in-to-in-in-in-to-in-in-in-in-in-in-in-in-in-in-in-in-to-to-in-in-in-in-in-in-in-in-in-in-in-to-in-to-to-to-to-in-to-to-in-to-to-to-in-in

התפקיד הקריטי של Noise Reduction ב- Dynamic Cardiac MRI

רעש ב-MRI דינמי עולה ממקורות מרובים, כולל רעש תרמי מן המטופל וציוד, תנועה פיזיולוגית, והמגבלות הטמונות הטמאות המואצות של טכניקות הדמיה מואצות כגון הדמיה מקבילה ונפיחות דחוסה.אפילו רמות רעש בינוניות יכולות להתפשר על החשיפה של הגבול הסופי של דלקת הלחש, כמו מעקב אוטומטי לא אמין.בפרקטיקה קלינית, ירידה רעש משפיעה ישירות על האמון של רדיולוגים וקליולוגים בפירוש מחקרים.

אתגרים ייחודיים ב- Dynamic Cardiac MRI

MRI דינמי לב מציג כמה אתגרים נפרדים שמבדילים אותו מ-MRI סטטי ואפילו שיטות הדמיה דינמיות אחרות כמו MRI Cine של המוח.

המונחים: Motion-Artifact Coupling

הלב נע באופן מחזורי, אבל תנועת הנשימה, זוועות, ותנועת הרוב של המטופל מציגה עיוותים לא קשיחים נוספים. אלגוריתמים של אלגוריתמים הפחתה רעש חייבים להבחין בין תנועות אמיתיות לבין תנודות המושרה רעש. מסנן מרחבי סטנדרטי המתושמות באופן אחיד על פני מסגרות יכול לטשטש את הקיר המיוקלי בסייסטאוליול ודיאסטולי, צמצום נאמנות זמנית.

תגית: to-Noise Ratio

כדי להשיג רזולוציה גבוהה של זמן (לעתים קרובות 30-50 מ 's למסגרת), רצפי MRI דינמיים של לב לרכוש רק חלק של שטח k-space למסגרת, אשר באופן טבעי מוריד SNR. זה עוד יותר מחמיר כאשר משתמשים בחוזקות שדה גבוהות יותר (למשל, 3T) שבו B1 בהומוגניות מוגברת יכול להגביר את החפצים.

צורך בתהליכים בזמן אמת או קרוב בזמן אמת

זרימת עבודה קלינית דורשת תפנית מהירה.הפחתה רעש שלוקח דקות לנפח היא לא מעשית. Algorithms חייב לאזן דיוק עם מהירות, עיבוד אידיאלי של כל סדרה דינמי בתוך שניות כדי להשתלב לתוך צינור שיקום הסורק.

הטרוגניות על פני מטופלים ופתולוגיות

דפוסי רעש שונים על בסיס גודל המטופל, אנטומיה לב ומצב מחלה.מחקר מתנדב בריא עשוי לא להכלל לחולה עם קרדיומיופתיה מורחבת או זוועה. Robustness על פני אוכלוסיות מגוונות הוא דרישה מרכזית לאימוץ קליני.

התפתחות שיטות ניכוי רעש

ירידה רעש ב-MRI לב התפתחה מפילטרים פשוטים לאחר עיבוד לגישות המבוססות על מודלים מתוחכמות ומבוססות על נתונים.הבנת התקדמות זו מסייעת להעריך את המצב הנוכחי של האמנות.

פילטר קלאסי ו-Temporal Filter

שיטות מוקדמות הגישו את המסננים הגאוסיים או החציוניים לכל מסגרת עצמאית, אך אלה לעתים קרובות מטושטשים וסירו מבנים יפים. טמפל מסנן לאורך ממד הזמן - כגון העברת מסננים ממוצעים - עלול להפחית רעש אך הציג מטושטש זמני, גרימת רוח של תכונות הנעות. פילטרים הסתגלותיים כמו סינון דו-צדדי המוצע על ידי שימורים תוך שמירה על שוליים תוך אזורים הומוגניים אך נדרשים באזורים ידניים אך נדרשים בתנאים נמוכים ונכשלים.

שיטות טבעיות-Domain

העיוות מבוסס Wavelet וריאציות הכוללות (TV) הפך פופולרי עבור יכולתם לשמר הקצוות. טלויזיה denoising מניחה כי התמונה האמיתית יש ⁇ סחוס. בעוד יעיל עבור תמונות סטטיות, מסגרת טלוויזיה יישומי מסגרת לא מנצל מתאםים זמניים.רחבים כמו 3D טלוויזיה (spatiotemporal) שיפור ביצועים משופרים אבל היו אינטנסיביים ועדיין נוטה לפסלים על מנת לפסלים באזורים בסדר גודל של תנועות בסדר.

נמוך-רנק ו- Sparse Modeling

נתונים דינמיים של MRI לעתים קרובות מציגים מתאםים חזקים של spatiotemporal כי הלב עובר דרך קבוצה מוגבלת של מדינות. מטריקס נמוך-rank מטריקס גורם ושיטות ספיעה ספורד לנצל את הקורלציה האלה על ידי ייצוג הרצף הדינמי כסכום של רקע נמוך בדרגה נמוכה ורכיב דינמיטני.לדוגמה, ניתוח הרכיב העיקרי (RPCA) מסלק את התמונה לתוך אנטומיה נמוכה (מוזה) וייתכן כי לא יכול להיות הסרת תבניות מתוחכמות אלה).

שיטות למידה מבוססות עמוק

הופעת הלמידה העמוקה הפתיעה את הפחתת הרעש בדמיית הרפואה.רשתות עצביות מהפכתיות (CNN) יכולות ללמוד מיפוי מורכב, לא לינארי מקלט רועש לתפוקה נקייה באמצעות מאגרי מידע גדולים.עבור MRI לב דינמי, כמה ארכיטקטורות הסתגלו.

למידה על ידי Paired Data

הגישה הנפוצה ביותר היא להכשיר רשת על זוגות של תמונות רועשות ונקיות (או הפניה ללא רעש) תמונות.הפניות נקיות ניתן להשיג באמצעות מספר רכישות (אשר הוא זמן-consuming) או על ידי סימול רעש על סריקות של USNR גבוהה. U-Net וגרסאותיה (למשל, 3D U-Net, תשומת לב קדמית) משמשים באופן נרחב לקיבולת שלהם לכידת מערכות זמן (D) ו-HDRD) הן על פני 3D.

גישה בלתי מבוקרת ועצמית

נתונים נקיים-נויים מהירים שקשה להשיג בהגדרות קליניות. Noise2 noise ו- Noise2Void הם מסגרות מבוססות-עצמי שאינן דורשות מטרות נקיות.עבור MRI לב דינמי, Noise2 Noise יכול להשתמש בשני רכישות רועשות עצמאיות של אותו רצף דינמי, אשר ניתן לפרוטוקולים רבים של Cine. עם זאת, בין רכישות חייב להיות מתוקן, הוספת מורכבות דומה ל-DVericrexiticeerine עמוק יותר מ-DVerine.

רשתות ייעוץ (גנים)

gans נחקרו עבור ירידה רעש על ידי למידה מיפוי מתמונות רועשות ועד נקיות תוך גם אימון נגד הפליטור שמנסה להבחין בין denoised תמונות נקיות אמיתיות. gans (למשל, pix2pix) יכול לייצר תוצאות אטרקטיביות חזותית.עם זאת, gans סיכון הזנה מרקמים מלאכותיים, אשר אינו מקובל על אבחון קליני.

שיטות למידה עמוקה ומודלים מבוססות

כיוון מבטיח אחד הוא לאלגוריתמים אופטימיזציה לאולטיביים (למשל, אלגוריתם הקטנת אלגוריתם, ADMM) לתוך ארכיטקטורת רשת עצבית (הלמידה) אלה "מתפתח" תוכניות משלבות את הפירוש של שיטות המבוססות על מודלים עם כוח ייצוג של למידה עמוקה.עבור MRI דינמי, רשתות כמו MoDL (Model-Dedel-Deve Learning) משלבות נמוכה או מקוצרת כמו שיטות אימון חד-טבעיות במיוחד.

שיטות מבוססות מודלים עם עדיפויות פיזיות

בעוד למידה עמוקה שולטת במחקר הנוכחי, שיטות המבוססות על מודלים נותרות רלוונטיות, במיוחד בהגדרות שבהן נתוני אימון הם נדירים או פרשיות הם קריטיים.

נמוך-Rank ו- Sparse Decomposition עם Motion Compensation

שיטות מתקדמות המבוססות על מודלים משלבות הערכת תנועה להגדרה הנמוכה של ה-Los-rank-line.לדוגמה, המסגרת של "נמוך יחסית לספא" עם החלפה זמנית מותאמת (LR+S-MC) מתעדת את כל מסגרות למסגרת התייחסות לפני decomposition, שיפור משמעותי של ירידה רעש באזורים של תנועה מהירה.

למידה ומודלים המבוססים על פטצ'

למידה מבוססת פטך לומדת קבוצה של כתמים זמניים מן הנתונים עצמם (או ממערך הכשרה) לייצג כתמים נקיים באופן רב. Noise מוסר על ידי אכיפת ספרסיות על מערכי מילון למד.בעוד יעיל, מילון למידה עבור נתונים 3D +time הוא זיכרון-רגישה ואינו יכול בקנה מידה להיקף גבוה של תשומת לב.

Total Generalized Variation (TGV) ו- High-orderסדיריזציה

פיזור נגזרות מסדר גבוה (למשל, TGV) יכול להפחית חפצים מדרגות משותף עם הטלוויזיה. ב MRI דינמי, סימולציות זמני TGV כבר הוחל עם תוצאות טובות. שיטות אלה חזקות לרמות רעש וניתן לפתור ביעילות באמצעות אלגוריתמים ראשוניים-לשוניים, מה שהופך אותם מתאימים לאינטגרציה באינטרנט.

הערכה של Metrics ו- Standard Datasets

הערכה אובייקטיבית של אלגוריתמים של הפחתה ברעש היא חיונית להשוואה הוגנת.מדדים נפוצים כוללים:

  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) מדד דומה להגדרה (SSIM:03FLT) 1 אסמססנס נתפס איכות תמונה על ידי השוואת זוהר, ניגודיות ומבנה.
  • (ב) [ה] [ה] [ה]]] [ה]]], [ה], [ה], [ה]], [ה], [ה], [ה]]]], [ה'], [ה'], [ה'], [ה'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
  • (FLT:0) Temporal פרופיל Plots:FLT:1ure הערכה חזותית של וריאציות אינטנסיביות לאורך זמן לאורך קו מעבר myocardium. Smoothness ושימור של מעברים חדים הם אינדיקטורים איכותיים.

(המידע הציבורי הוא קריטי למחקרים הניתנים להתחדשות:0) Open-Crystallography in Cardiac MRI (OCMR)BuildFLT:1 , מיזם מספק מאגר של רצפי cine, אם כי רבים נרכשים עם פרוטוקולים עקביים.FLT:2Automated Cardiacsis Challenge (AC) LT 3, למרות שרבים מהם נתונים ממושכים (מעודכן) לאבחון נתונים).

תרגום קליני ושיקולים מעשיים

להביא אלגוריתמים חזקים של הפחתה של רעש ממחקר לשימוש קליני דורש התייחסות למספר מכשולים.

יעילות אפילאלית

דרישות מחיקה בזמן אמת של פחות מ -100 ms למסגרת 2D על ארכיטקטורות משקל אור סטנדרטי כמו משחנים מבוססי MobileNet או מהפכות נחות עומק מפותחות.

כלליזציה בכל האתרים והפרוטוקולים

מודל המוכשר על נתונים מסורק יחיד עשוי להיכשל בתמונות מיצרנים שונים או רצף.טכניקות הסתגלות דומיין - כגון רשתות אדמירליות בעלות מחזור - יכולות להתאים התפלגות תכונות על פני תחומים. לחלופין, שיטות לא מבוססות הדורשות רק את הנתונים רועשים בזמן הבדיקה באופן טבעי כללי, כי הם אינם מסתמכים על סטטיסטיקות הכשרה קבועות.

שיקולים ובטיחות

כל עיבוד מחשב מבוסס פוסט-מעבדה שמשנה תמונות חייב להיות מאומת כמכשיר רפואי.ה- FDA וסוכנויות דומות דורשות ראיות כי denoising לא מציג פריטים שיכולים להטעות אבחון. ניסויים קליניים פוטנציאליים השוואת דיוק אבחון עם וללא denoising נדרשים. Algorithms המספקים הערכות אי הוודאות (למשל, Bayesss עמוק למידה) עשוי לעזור לאבחון סיכונים אבחון אבחון אבחון.

שילוב עם סורק מחדש

הצעד האידיאלי הוא מוטבע ישירות לתוך צינורות שחזור תמונות של הסורק, הפועל על נתוני שטח גולמי.זה מאפשר אופטימיזציה משותפת של שיקום ופרסום.מודלים של למידה עמוקה המשלבים ירידה ברעש באופן בלתי סביר (למשל, כחלק מרשת וריאציות) הם צוברים חברות כמו סימנס, GE, ופיליפס מתחילים להציע אפשרויות שיקום מבוססות AI עבור לב, למרות שעדיין פרטים קנייניים.

כיוונים עתידיים

קצב החדשנות באלגוריתמים לירידה ברעש ל-MRI דינמי לא מראה סימנים להאטה.מספר דרכים מבטיחות הן באופק.

אלגורית אלגו

בהתמדה של סדרה ארוכה של מטופל יחיד (10-20 דקות לבחינה לב מלאה), אלגוריתמים יכולים להתאים למאפיינים הספציפיים של אותו אדם.על-פני-הלימוד העצמי או המטא-למידה יכולים ליצור מודל ספציפי לחולה בתוך שניות, להסתגל להרגל הגוף, לתבניות נשימה ולקצב לב.

אינטגרציה רב-ממדית

שילוב מידע ממודולים הדמיה אחרים - כגון דקרודיוגרפיה המספקת פתרון זמני גבוה או CT המציעה פתרון מרחבי גבוה - יכול להנחות ירידה רעש ב-MRI. לדוגמה, מסגרות אולטרסאונד רשומות יכולות לספק תנועה לפני זה עוזר להפריד רעש מתנועה אמיתית ב-MRI.

מודלים של ניהול עצמי ומודלים של Foundation

הפיתוח של מודלים בעלי שליטה עצמית בקנה מידה גדול (כמו ליבר עבור תמונות, למשל, autoencoders המסומן) מאומן על נתונים שונים של MRI לב יכול לשמש כבסיס לירידה ברעש.כוונון יפה כזה מודל על סמך קטן של נתונים לא ממושמע עשוי להניב ביצועים גבוהים על פני משימות רבות, כולל denoising, מבלי צורך בנתונים ענקיים.

חוסר ודאות - Aware Denoising

מתן מפה ביטחון לצד התמונה המוטעית יאפשר לרדיולוגים להתעלם מהאזורים שבהם האלגוריתם אינו בטוח.רשתות עצביות ביירסיות, מונטה קרלו טיפותout, ולמידה עמוקה ניכרת מציעה דרכים להעריך אי ודאות פיקסל-wise.

מסקנה

אלגוריתמים של רעשים הם אבן הפינה של איכות גבוהה דינאמית קרינת MRI.השדה התקדם מפילטרים מרחביים בסיסיים ועד לשיטות למידה עמוקות ומודלים המבוססים על מודלים, אשר משמרות פרטים זמניים ומרחביים תוך דיכוי יעיל של רעש.הגישות המבטיחות ביותר משלבות את נקודות החוזק של למידה המונעת על ידי נתונים עם תחזיות פיזיות של תנועת לב וסטטיסטיקות רעש.