Maqnit rezonanslı beyin şəkillərindəki hərəkət əşyaları diaqnoz etibarına güclü təsir göstərə bilər. Klinik diaqnoza başlamadan əvvəl MR görüntüsünün keyfiyyətinin qiymətləndirilməsi əsasdır. Hərəkət əşyaları beyin, lesiyalar və ya tumorlar kimi quruluşların xarakterizasiyasını dəyişdirə bilər və təkrar skan tələb edə bilər. Əks halda, səhv bir diaqnoz (məsələn, düzgün patoloji, lakin səhv ağırlıq) və ya səhv bir diaqnoz (məsələn, səhv patoloji) meydana gələ bilər. İzmə keyfiyyətinin qiymətləndirilməsiSkaninqdən dərhal sonra sürətli, avtomatlaşdırılmış bir addım olaraq əldə edilmiş şəkillərin diaqnozlaşdırıcı olaraq kifayət olub olmadığını müəyyənləşdirməyə kömək edə bilər. Bu işdə qalan sinir şəbəkəsi vasitəsilə struktur oxşarlıq indeksinin (SSIM) geri dönüşü əsasında avtomatik görüntü keyfiyyətinin qiymətləndirilməsi təklif olunur. Bundan əlavə, SSIM aralıqları ilə bölünərək müxtəlif qruplara təsnifat qiymətləndirilir. Mühüm odur ki, bu metod istinad əsas həqiqət görüntüsü olmadıqda giriş görüntüsünün SSIM dəyərlərini proqnozlaşdırır. Şəbəkələr hərəkət əşyalarını aşkar edə bildi və regressiya və təsnifat vəzifəsi üçün ən yaxşı performans həmişə ResNet-18 ilə kontrast artırılması ilə əldə edilib. Qalanların orta və standart diaqreasiyası bölüşdürülməsi müvafiq olaraq \(\mu =-0.0009\) və \(\sigma =0.0139\) idi. 3, 5 və 10 siniflərə təsnifat tapşırığı üçün isə ən yaxşı dəqiqliklər müvafiq olaraq 97, 95 və 89% idi. Nəticələr göstərir ki, təklif olunan metod neuro-radioloq və radiografaların görüntünün keyfiyyətini tez qiymətləndirməsində dəstək üçün bir vasitə ola bilər.
Resim keyfiyyətinin qiymətləndirilməsi (IQA) MR şəkillərinin qiymətləndirilməsi üçün əsas vasitədir1,2,3. Bu prosesin əsas məqsədi şəkillərin diaqnoz baxımından etibarlı olub olmadığını və kritik əşyalardan azad olub olmadığını müəyyən etməkdir4,5. Tədqiqatlar zamanı aparılan tədqiqatlar, müşahidəçidən asılılıq halında aparılır. Bundan əlavə, oxucuların (QQA-nın icrası üçün təyin edilmiş ekspertlərin) müxtəlif səviyyəli bilik və təcrübə nəticələri dəyişkən qiymətləndirmə nəticələrinə səbəb ola bilər. MR görüntüləri üçün IQA-nın digər daxili problemi istinad görüntüsünün olmamasıdır. Son illərdə vizual görüntü keyfiyyətinin qiymətləndirilməsi üçün maşın və dərin öyrənmə dəstəyi ilə və olmadan istinadsız IQA texnikaları təklif edilmişdir3,4,7,8,9,10,11,12,13,14. Bu texnikalar müxtəlif dəqiqlik və dəqiqlik səviyyələri ilə qarışıqlıq və ya korrupsiya səviyyəsini aşkarlaya və ölçə bilir. Bununla birlikdə, hansı texnika tətbiq ediləcəyini seçərkən nəzərə almaq üçün bir çox amillər var; ən vacibləri 15,16,17: məlumat tələbidir - dərin öyrənmə böyük bir məlumat dəstini tələb edir, ənənəvi maşın öyrənmə (dəqiq öyrənmə əsaslı olmayan) texnikalar daha kiçik məlumat dəstlərində təlim oluna bilər; dəqiqlik - dərin öyrənmə ənənəvi maşın öyrənməsindən daha yüksək dəqiqlik təmin edir; təlim vaxtı - dərin öyrənmə ənənəvi maşın öyrənməsindən daha uzun vaxt tələb edir; hiperparametr tənzimləmə - dərin öyrənmə müxtəlif müxtəlif yollarla tənzimlənə bilər və ən yaxşı parametrləri tapmaq həmişə mümkün deyil, maşın öyrənmə isə məhdud tənzimləmə imkanları təklif edir. Bundan əlavə, ənənəvi maşın öyrənmə texnikalarını seçərkən xüsusiyyətlərin çıxarılması əsas mərhələsi nəzərə alınmalıdır. Yeniləmə və təsnifat tapşırıqları üçün istifadə olunan ənənəvi maşın öyrənmə və dərin öyrənmə texnikalarının siyahısı daim artsa da18,19,20,21, MR şəkillər üçün hələ də qızıl standart IQA yoxdur2. Bu işin məqsədi, hərəkət əşyalarının mövcudluğunu aşkarlaya bilən və struktur oxşarlıq indeksinin (SSIM) geri dönüşü əsasında artefact-free müqayisəsində korrupsiya və ya təhrif səviyyəsini ölçə bilən avtomatik IQA vasitəsinin yaradılmasıdır22. Bu vasitə T1, T2, PD və FLAIR çəkili şəkillər kimi geniş bir sıra MR görüntülər kontrastları üçün işləmək üçün və nəzərdə tutulan görüntünün həllindən və istiqamətindən asılı olmayaraq hazırlanmışdır. Bundan əlavə, burada çəki dəyişikliyinin aralığını artırmaq üçün kontrast artırma mərhələsi - yalnız şəklin kontrastını idarə etməyə yönəlmiş bir məlumat artırma növü tətbiq edilmişdir. Praktiki olaraq, MRIs alınanda və şəkildə hər hansı bir əşya varsa, keyfiyyət qiymətləndirilməsi üçün şəklin müqayisə edilməsi üçün əşyalardan azad olan əşyalara malik olmayan əşyalara malik deyil. Bununla birlikdə, SSIM hesablanması üçün iki şəkil tələb olunur (korrupt və hərəkət əşyaları olmayan şəkillər). Bu səbəbdən bu işdə pozulmuş şəkillər süni şəkildə iki fərqli alqoritmdən istifadə edərək yaradılıb - bir Shaw və digərləri tərəfindən tətbiq edilmişdir.23 (TorchIO24 kitabxananın paketi) və ikinci bir alqoritm daxili olaraq hazırlanmışdır25. Bundan əlavə, bu vəziyyətdə olduğu kimi, bir sinir şəbəkəsi modeli tam nəzarət altında təlim olunduqda adətən çox sayda etiketlənmiş və ya qeyd edilmiş məlumat tələb olunur26. IQA-ya dair bu araşdırmada süni şəkildə korrupsiya olunan şəkilləri SSIM-in köməyi ilə orijinal artefaktsız şəkillərə müqayisə edərək təlim üçün regressiya etiketləri yaradıldı və nəhayət SSIM dəyərləri regressiya etiketləri kimi istifadə edildi.
Son illərdə vizual görüntü keyfiyyətinin qiymətləndirilməsi üçün maşın və dərin öyrənmə dəstəyi və olmadan istinadsiz IQA texnikaları təklif olunub. Problem ilk olaraq təbii fotoqrafiya üçün ortaya çıxdı: kamera tərəfindən alınan şəkillər tez-tez təhrif olunmayan rəfiqələrinin heç vaxt qeydə alınmadığı təhrifləri ehtiva edir, buna görə də istinadsiz IQA (NR-IQA) texnika yeganə seçimdir27. MR görüntüləri bu məhdudiyyəti miras alır və iki özünü əlavə edir. Deqradasiya ümumi bir qarışıqlıq və ya sıxılma əşyası deyil, fiziki bir prosesin imzası, yəni subyekti hərəkət edərkən əldə edilmiş k-boyu xəttlər arasında uyğunsuzluqdur. Bundan əlavə, MR görünüşünün görünüşü fotoqrafiyada heç bir rəfiqəsi olmayan ardıcıllığa, çəkiyə, qətnaməyə və istiqamətə bağlıdır. Bu səbəbdən təbii görüntülər üçün hazırlanmış metodlar yalnız qismən köçürülür və xüsusi MR işinin ayrı bir quruluşu var.
Xülasə — davamını mənbədə oxuyun.
