تحسين إعادة بناء صور التصوير المقطعي المحوسب ذات الجرعة المنخفضة عن طريق تحويل المجال والمهام مرشحات الضوضاء الغاوسية

التصوير المقطعي الحاسوبي من جرعة إشعاعية منخفضة (LDCT) يمثل تحديًا بسبب الضوضاء العالية في بيانات الإسقاط. الطرق الشائعة لإعادة بناء صور LDCT هي طرق ذات مرحلتين، تتكون عادةً من خوارزمية الإسقاط المعكوس المرشح (FBP) متبوعة بشبكة عصبية لتحسين صور LDCT. تتميز طرق ذات المرحلتين ببساطتها وإمكاناتها للفعالية الحسابية، حيث تحتاج عادةً إلى إسقاط معكوس مرشح واحد وعبور واحد للشبكة العصبية للأمام لأجل الاستدلال. ومع ذلك، فإن أفضل جودة لإعادة البناء تتحقق حاليًا بواسطة الطرق التكرارية المنفشرة (Learned Primal-Dual و ItNet)، والتي تكون أكثر تعقيدًا وبالتالي لها تكلفة حسابية أعلى للتدريب والاستدلال. نقترح طريقة تجمع بين بساطة وكفاءة طرق ذات المرحلتين وجودة إعادة البناء الرائدة. تستفيد استراتيجيتنا من شبكة عصبية تم تدريبها مسبقًا على إزالة الضوضاء الغاوسية من الصور الرمادية الطبيعية، ثم يتم ضبطها دقيقًا لتحسين صور LDCT. نطلق على هذه الطريقة اسم FBP-DTSGD (مزيلات الضوضاء الغاوسية المنقولة إلى المجال والمهام) لأن عملية التعديل الدقيق هي تحول في المهمة من إزالة الضوضاء الغاوسية إلى تحسين صور LDCT وتحول في المجال من الصور الرمادية الطبيعية إلى صور LDCT. دراسة تقليص أجريت باستخدام ثلاثة مزيلات ضوضاء غاوسية مختلفة تم تدريبها مسبقًا تشير إلى أن أداء FBP-DTSGD لا يعتمد على هندسة إزالة الضوضاء الخاصة، مما يشير إلى أن التقدم المستقبلي في إزالة الضوضاء الغاوسية يمكن أن يفيد الطريقة. كما تظهر الدراسة أن التدريب المسبق على الصور الطبيعية يعزز جودة إعادة بناء صور LDCT، خاصة عند توفر بيانات تدريب محدودة. ومن الجدير بالذكر أن التدريب المسبق لا يتضمن أي تكلفة إضافية، حيث يتم استخدام النماذج المتاحة مسبقًا. تحتل الطريقة المقترحة حاليًا المركز الأول بمتوسط ​​المراكز في تحدي LoDoPaB-CT.请注意，我已将“Learned Primal-Dual” 和 “ItNet” 以及 "LoDoPaB-CT" 直接翻译为阿拉伯语中常用的英文形式，因为这些是特定的技术术语或项目名称，通常在阿拉伯语科技文献中保留英文原名。同时，“FBP-DTSGD”作为方法名称也被直接保留。如果您需要进一步调整，请告知。