Medical Image Denoising Based on Intelligent Approaches

Abstract

في السَّنَوَاتِ الأَخِيرَةِ، حَقَّقَتْ خَوَارِزْمِيَّاتُ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ مُنْخَفِضِ الجُرْعَةِ القَائِمَةُ عَلَى التَّعَلُّمِ العَمِيقِ تَقَدُّمًا نَوْعِيًّا. وَمَعَ ذَلِكَ، تُظْهِرُ خَوَارِزْمِيَّاتُ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ الحَالِيَّةُ أَدَاءَ تَعْمِيمٍ مَحْدُودًا عَبْرَ أَنْوَاعِ المَاسِحَاتِ الضَّوْئِيَّةِ المُخْتَلِفَةِ، وَمُسْتَوَيَاتِ الجُرْعَةِ، وَبَيَانَاتِ الجُرْعَةِ المُنْخَفِضَةِ الفِعْلِيَّةِ. عَلَاوَةً عَلَى ذَلِكَ، لَا يَزَالُ هُنَاكَ نَقْصٌ في نَمَاذِجِ التَّصْحِيحِ وَإِعَادَةِ البِنَاءِ الذَّكِيَّةِ لِبَيَانَاتِ سِلْسِلَةِ التَّصْوِيرِ الكَامِلَةِ ابْتِدَاءً مِنَ البَيَانَاتِ القِيَاسِيَّةِ الخَامِ. لَقَدْ تَمَّ تَطْبِيقُ أَسَالِيبِ التَّعَلُّمِ العَمِيقِ القَائِمَةِ عَلَى الشَّبَكَاتِ العَصَبِيَّةِ التَّلَافِيفِيَّةِ عَلَى نِطَاقٍ وَاسِعٍ لِإِزَالَةِ التَّشْوِيشِ مِنْ صُوَرِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ مُنْخَفِضِ الجُرْعَةِ، مِمَّا أَسْفَرَ عَنْ نَتَائِجَ أَفْضَلَ مِنْ تِلْكَ الَّتِي حَقَّقَتْهَا التِّقْنِيَّاتُ التَّقْلِيدِيَّةُ. في المُقَابِلِ، أَظْهَرَتِ البِنَى الشَّبَكِيَّةُ القَائِمَةُ عَلَى المُحَوِّلَاتِ نَتَائِجَ وَاعِدَةً في نَمْذَجَةِ المَعْلُومَاتِ السِّيَاقِيَّةِ الشَّامِلَةِ دَاخِلَ الصُّوَرِ مِنْ خِلَالِ آلِيَّاتِ الانْتِبَاهِ الذَّاتِيِّ، وَلَا سِيَّمَا في مَجَالِ إِزَالَةِ التَّشْوِيشِ مِنْ صُوَرِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ مُنْخَفِضِ الجُرْعَةِ. تَقْتَرِحُ هَذِهِ الأُطْرُوحَةُ طَرِيقَةً قَائِمَةً عَلَى إِطَارِ تَجْمِيعِ السِّيَاقِ مُتَعَدِّدِ المَرَاحِلِ وَمُتَعَدِّدِ الرُّتَبِ (FusionDenoNet) يَحْفَظُ التَّمْثِيلَاتِ ذَاتَ الدِّقَّةِ الكَامِلَةِ مَعَ دَمْجِ المِيزَاتِ المُعَزَّزَةِ لِلْحَوَافِّ بِطَرِيقَةٍ تَآزُرِيَّةٍ. يَتَفَوَّقُ FusionDenoNet عَلَى البَدَائِلِ القَائِمَةِ عَلَى المُحَوِّلَاتِ في الحِفَاظِ عَلَى البِنْيَةِ الهَنْدَسِيَّةِ مِنْ خِلَالِ الاسْتِفَادَةِ مِنَ التَّحَيُّزَاتِ الاسْتِقْرَائِيَّةِ المُتَأَصِّلَةِ في الشَّبَكَاتِ العَصَبِيَّةِ التَّلَافِيفِيَّةِ دُونَ التَّضْحِيَةِ بِالتَّفَاصِيلِ عَالِيَةِ التَّرَدُّدِ مِنْ خِلَالِ التَّقْلِيلِ مِنَ العَيِّنَاتِ. يَتَمَثَّلُ الابْتِكَارُ الرَّئِيسِيُّ لِلْبِنْيَةِ المِعْمَارِيَّةِ في اسْتِبْدَالِ الانْتِبَاهِ الذَّاتِيِّ بِمَزِيجٍ هَجِينٍ قَابِلٍ لِلْحِسَابِ مِنَ التَّلَافِيفِ العَمِيقَةِ وَتَجْمِيعِ البَوَّابَاتِ مُتَعَدِّدِ الرُّتَبِ، مِمَّا يَسْمَحُ بِنَمْذَجَةٍ سِيَاقِيَّةٍ فَعَّالَةٍ دُونَ قُيُودِ قَابِلِيَّةِ التَّوَسُّعِ المُرْتَبِطَةِ بِمُحَوِّلَاتِ الرُّؤْيَةِ. تَهْدُفُ هَذِهِ الابْتِكَارَاتُ إِلَى التَّغَلُّبِ عَلَى قُيُودِ التِّقْنِيَّاتِ الحَالِيَّةِ مِنْ مَنْظُورَاتٍ مُتَعَدِّدَةٍ وَتَعْزِيزِ تَطْوِيرِ تِقْنِيَّةِ التَّصْوِيرِ المَقْطَعِيِّ المُحَوْسَبِ الذَّكِيِّ مُنْخَفِضِ الجُرْعَة

In recent years, low-dose CT intelligent imaging algorithms based on deep learning (DL) have made breakthrough progress.However, existing intelligent CT imaging algorithms exhibit limited generalization performance across different scanner types, dose levels, and real low-dose data. Moreover, there remains a lack of intelligent correction and reconstruction models for full-imaging-chain data starting from raw measurement data. Deep learning methods based on Convolutional Neural Networks (CNNs) have been widely applied for LDCT image denoising, yielding results superior to those of traditional techniques. In contrast, network architectures based on Transformers have demonstrated promising results in modeling global contextual information within images through self-attention mechanisms, particularly in the field of LDCT denoising. This thesis proposes a method based on a multi-stage multi-order context aggregation framework (FusionDenoNet) that preserves full-resolution representations while integrating edge-enhanced features in a synergistic manner. FusionDenoNet outperforms Transformer-based alternatives in geometric structure preservation by leveraging the inherent inductive biases of CNNs without sacrificing high-frequency details through downsampling. The main innovation of the architecture is the substitution of a computationally tractable hybrid of depthwise convolutions and multi-order gated aggregation for self-attention, which allows for efficient context modeling without ViT-related scalability limitations. These innovations aim to overcome the limitations of existing technologies from multiple perspectives and advance the development of low-dose CT intelligent imaging technology. .

Ces dernières années, les algorithmes d'imagerie intelligente par tomodensitométrie à faible dose basés sur l'apprentissage profond (DL) ont fait des progrès considérables. Cependant, les algorithmes d'imagerie CT intelligents existants présentent des performances de généralisation limitées entre les différents types de scanners, les niveaux de dose et les données réelles à faible dose. De plus, il manque encore des modèles intelligents de correction et de reconstruction pour les données de la chaîne d'imagerie complète à partir des données de mesure brutes. Les méthodes d'apprentissage profond basées sur les réseaux neuronaux convolutifs (CNN) ont été largement utilisées pour le débruitage des images LDCT, donnant des résultats supérieurs à ceux des techniques traditionnelles. En revanche, les architectures de réseau basées sur les transformateurs ont donné des résultats prometteurs dans la modélisation des informations contextuelles globales au sein des images grâce à des mécanismes d'auto-attention, en particulier dans le domaine du débruitage LDCT. Cette thèse propose une méthode basée sur un cadre d'agrégation contextuelle multi-étapes et multi-ordres (FusionDenoNet) qui préserve les représentations en pleine résolution tout en intégrant de manière synergique des caractéristiques améliorées au niveau des contours. FusionDenoNet surpasse les alternatives basées sur Transformer en matière de préservation de la structure géométrique en tirant parti des biais inductifs inhérents aux CNN sans sacrifier les détails à haute fréquence par sous-échantillonnage. La principale innovation de l'architecture réside dans le remplacement de l'auto-attention par un hybride hybride de convolutions en profondeur et d'agrégation à plusieurs ordres, qui permet une modélisation efficace du contexte sans les limitations de scalabilité liées au ViT. Ces innovations visent à surmonter les limites des technologies existantes sous plusieurs angles et à faire progresser le développement de la technologie d'imagerie intelligente par tomodensitométrie à faible dose.