GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 17 Kasım 2026 · Bağımsız Editoryal Ağ
Klinik Rehber

Frontiers | Düşük dozlu BT görüntülerinin ortak gürültü giderimi ve süper çözünürlüğü için çok ölçekli bir çapraz birleştirme ağı

✍️ Editör Masası • 📅 17 Kasım 2026 • ⏱️ 7 dk okuma
Frontiers | Düşük dozlu BT görüntülerinin ortak gürültü giderimi ve süper çözünürlüğü için çok ölçekli bir çapraz birleştirme ağı

Özet

Giriş:

Düşük dozlu bilgisayarlı tomografi (LDCT), radyasyon maruziyetini azaltsa da genellikle sinyal bağımlı gürültüye ve uzamsal olarak değişen çizgi benzeri artefaktlara yol açarak ince anatomik yapıları gizler. Mevcut restorasyon yöntemleri, bu bozulmaları bastırırken uzun menzilli anatomik tutarlılığı korumakta ve yüksek frekanslı detayları yeniden elde etmekte zorlanmaktadır. Bu zorlukların üstesinden gelmek için, LDCT’nin ortak gürültü azaltımı ve süper çözünürlüğü için çok ölçekli çapraz birleştirme ağı olan MSCANet’i öneriyoruz.

Yöntemler:

MSCANet, birbirini tamamlayan üç bileşeni entegre eder. Token Birleştirme ve Birleştirme Bloğu, prototip yönlü özellik birleştirme yoluyla küresel yapısal bağlamı ve yerel doku bilgilerini birleştirir. Bölge Odaklı Kendi Dikkat Mekanizması, örtüşen alıcı alanlarla yerel bağlamsal ilişkileri modellerken, Çok Ölçekli Deforme Olabilir Dikkat Modülü, düzensiz yapıları ve uzamsal olarak değişen artefaktları karakterize etmek için öğrenilebilir örnekleme kaymaları kullanır. MSCANet’i halka açık 3D-IRCADB ve PANCREAS veri kümelerinde ××2 ve ××4 ölçekleme faktörlerinde değerlendirdik ve dokuz temsili görüntü restorasyon yöntemiyle karşılaştırdık. Ek olarak, 17 hastadan alınan 2.544 kesitten oluşan kendi topladığımız klinik BT veri kümesi üzerinde nitel bir değerlendirme yapıldı. Yeniden yapılandırma kalitesi, tepe sinyal-gürültü oranı (PSNR), yapısal benzerlik indeksi ölçüsü (SSIM), kontrast-gürültü oranı (CNR) ve Öğrenilmiş Algısal Görüntü Yama Benzerliği (LPIPS) kullanılarak değerlendirildi. Model verimliliği ise parametre sayısı ve kayan nokta işlemleri (FLOP) kullanılarak değerlendirildi.

Sonuçlar:

Halka açık veri kümelerinde MSCANet, her iki ölçekleme faktöründe de karşılaştırılan yöntemler arasında en iyi PSNR, SSIM ve CNR değerlerini elde etti. ××4 ölçeklemede, 3D-IRCADB üzerinde 31.9514 dB/0.8383/0.7592 ve PANCREAS üzerinde 32.1740 dB/0.8422/1.1692 PSNR/SSIM/CNR değerlerine ulaştı. Bu sonuçlar, ilgili ikinci en iyi yöntemlere göre sırasıyla 0.2320 ve 0.0922 dB’lik PSNR artışına karşılık geldi. MSCANet ayrıca 0.0517 gibi en düşük LPIPS değerini elde ederken yalnızca 11.03 milyon parametre ve 142.72 GFLOP gerektirdi. Kendi topladığımız veri kümesi üzerindeki aksiyel, koronal ve sagital görünümlerde yapılan nitel karşılaştırmalar, restorasyon sonrası daha net doku sınırları ve daha sürekli anatomik yapılar gösterdi. Ablasyon çalışmaları da önerilen bileşenlerin tamamlayıcı katkılarını doğruladı.

Sonuç:

MSCANet, LDCT’nin ortak gürültü azaltımı ve süper çözünürlüğü için gürültü bastırma, artefakt azaltma, anatomik yapıların korunması ve hesaplama verimliliği arasında etkili bir denge sağlar. Sonuçlar, LDCT görüntü restorasyonu için potansiyelini desteklerken, tanısal değerini belirlemek için gözlemci tabanlı değerlendirme ve sonraki klinik doğrulamalar hala gereklidir.

1 Giriş

X-ışını bilgisayarlı tomografi (BT), yaygın olarak kullanılan non-invaziv bir tıbbi görüntüleme yöntemidir. İç anatomik yapıların ayrıntılı bir görselleştirmesini sağlar ve hastalık taramasında () ve klinik tanıda () temel bir rol oynar. Ancak, iyonlaştırıcı radyasyonun kullanımı, potansiyel radyasyon kaynaklı riskler konusunda endişeleri artırır. Düşük dozlu BT (LDCT), tüp akımını düşürerek veya pozlama süresini kısaltarak radyasyon maruziyetini azaltır (). Bunun sonucunda foton akışındaki azalma, sinyal-gürültü oranını düşürür ve yeniden yapılandırılmış görüntülere sinyal bağımlı kuantum gürültüsü ile uzamsal olarak değişen çizgi benzeri artefaktlar ekler. Bu bozulmalar, düşük kontrastlı anatomik yapıları gizleyebilir ve tanısal yorumlamayı zorlaştırabilir. LDCT görüntü kalitesini iyileştirmek için tıbbi görüntü süper çözünürlük (SR) yöntemleri, uzamsal çözünürlüğü artırmayı ve ince anatomik detayları yeniden elde etmeyi amaçlar (, ). Bununla birlikte, güvenilir LDCT restorasyonu yalnızca doğru uzamsal detay yeniden yapılandırmasını değil, aynı zamanda etkili gürültü bastırma ve yapılandırılmış artefaktların giderilmesini de gerektirir.

Derin öğrenme tabanlı SR yöntemleri, doğal görüntü süper çözünürlüğünde ()– güçlü performans sergilemektedir. Ancak bunların LDCT görüntü restorasyonuna doğrudan uygulanması zorlu bir görevdir, çünkü şiddetli gürültü karmaşık anatomik yapıları gizleyebilir (). Şekil 1’de gösterildiği gibi, genel amaçlı SR mimarileri LDCT yeniden yapılandırmasında iki temel sınırlama sergiler. Bir yandan, mevcut modeller genellikle özellik yayılımı sırasında ince yerel dokularla uzun menzilli anatomik bağlamı etkili bir şekilde entegre edemez (). Bu sınırlama, bulanık doku sınırlarına ve düşük kontrastlı yapıların yetersiz bir şekilde yeniden elde edilmesine yol açabilir. Diğer yandan, düşük dozlu tarama sırasında oluşan sinyal bağımlı kuantum gürültüsü, uzamsal olarak değişen istatistiksel özelliklere sahiptir. Bu tür değişkenlikler, farklı gürültü örüntüleri arasında modelin sağlamlığını azaltabilir (). Bozulma duyarlı özellik modellemesi olmadan, bu ağlar gerçek anatomik yapıları aşırı derecede düzleştirebilir veya güçlü gürültü tepkilerini yüksek frekanslı dokular olarak yanlış yorumlayabilir (). Sonuç olarak, genel amaçlı SR yöntemlerinin LDCT yeniden yapılandırmasına doğrudan uygulanması, gürültü bastırma ile anatomik detayların korunması arasında olumsuz bir dengeye yol açabilir ().

Transformer mimarileri, uzun menzilli bağlamsal bağımlılıkları ve anatomik yapılar arasındaki yerel olmayan ilişkileri etkili bir şekilde modeller. Ancak, geleneksel kendi dikkat mekanizmaları, LDCT görüntülerindeki sinyal bağımlı gürültü ve yapılandırılmış artefaktlarla başa çıkmak için özel olarak tasarlanmamıştır (). Bir yandan, sabit pencere bölmesi ve düzenli örnekleme örüntüleri, pencereler arası etkileşimleri ve geometrik esnekliği kısıtlar. Bu kısıtlamalar, mevcut ağların düzensiz ve uzamsal olarak değişen çizgi benzeri artefaktları modelleme yeteneğini sınırlarken karmaşık anatomik yapıları korumalarını engeller (). Diğer yandan, geleneksel kanal ve uzamsal dikkat mekanizmaları esas olarak özellik tepkilerini yeniden ağırlıklandırır. Bu nedenle, LDCT gürültüsündeki bölgesel değişkenlikleri yeterince karakterize edemeyebilirler (, ). Sonuç olarak, bu modeller gerçek yüksek frekanslı anatomik detayları gürültü kaynaklı tepkilerden ayırmakta zorlanabilir. Ayrıca detay yeniden yapılandırması ile durağan olmayan gürültü bastırma arasında etkili bir denge kuramayabilirler (). Bu sınırlamalar, uzun menzilli anatomik modellemeyi, bölgeye uyumlu özellik temsili ve geometriye uyumlu örnekleme birleştiren entegre bir yeniden yapılandırma çerçevesini gerektirir. Böyle bir çerçeve, LDCT bozulmalarındaki istatistiksel ve uzamsal değişkenlikleri daha iyi ele alabilir (, ).

Önerilen çerçevenin motivasyonu ‘da gösterilmektedir.

Temel Bulgular ve Genel Değerlendirme

Yapısal birleştirme, bölgeye duyarlı dikkat ve deforme olabilen özellik modellemesini ortaklaşa kullanarak MSCANet, gürültü bastırma, artefakt azaltma ve yüksek frekanslı detayların yeniden elde edilmesi arasında olumlu bir denge sağlar. Halka açık BT veri kümeleri üzerinde yapılan kapsamlı deneyler, MSCANet’in nicel metrikler ve görsel kalite açısından mevcut yöntemlerden sürekli olarak daha iyi performans gösterdiğini ve aynı zamanda rekabetçi hesaplama verimliliğini koruduğunu göstermektedir. Bu sonuçlar, MSCANet’in LDCT görüntü restorasyonu için etkinliğini ve sağlamlığını kanıtlamaktadır.

Ancak, mevcut değerlendirme esas olarak görüntü yeniden yapılandırma kalitesine odaklanmaktadır. Nicel sonuçlar ve görsel karşılaştırmalar yapısal doğruluğun iyileştiğini gösterse de, yeniden yapılandırılmış görüntülerin klinik olarak kabul edilebilirliğini veya tanısal değerini tam olarak kanıtlamazlar. Özellikle, mevcut çalışma radyologlar tarafından körlemesine bir gözlemci değerlendirmesi veya sonraki tanısal bir değerlendirme içermemektedir.

Gelecekteki araştırmalar, kaynak kısıtlı klinik ortamlarda verimli dağıtımı desteklemek için model sıkıştırma ve çıkarım hızlandırmasına odaklanacaktır. Ayrıca, MSCANet’in farklı tıbbi görüntüleme platformlarındaki çok yönlülüğünü artırmak için cihazlar arası adaptasyon stratejilerini de araştıracakız. Ek olarak, lezyon belirginliğini, sınır netliğini, artefakt bastırmasını ve genel tanısal kabul edilebilirliği değerlendirmek için sertifikalı radyologları içeren körlemesine çok okuyucu çalışmaları yürütmeyi planlıyoruz. Güvenilir lezyon etiketleri mevcut olduğunda, görüntü restorasyonunun tanısal performansı nasıl etkilediğini değerlendirmek için karaciğer ve pankreas tümörü segmentasyonu gibi sonraki görevler de gerçekleştirilecektir.

Beyanlar

Üretken Yapay Zeka Beyanı

Yazar(lar), bu makalenin oluşturulmasında Üretken Yapay Zeka’nın kullanılmadığını beyan etmiştir.

Bu makaledeki şekillerin yanında yer alan tüm alternatif metinler (alt metinler), Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup doğruluğu sağlamak için makul çabalar sarf edilmiş ve mümkün olduğunda yazarlar tarafından incelenmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Dipnotlar

1.^Etik onay başvuru materyalleri. Erişim talepleri ilgili yazar tarafından incelenecek ve onaylanacaktır.

Özet

Anahtar Kelimeler

derin öğrenme, deformabil dikkat, görüntü gürültü giderme, görüntü süper çözünürlük, düşük dozlu bilgisayarlı tomografi, tıbbi görüntü restorasyonu, çok ölçekli özellik birleştirme, durağan olmayan gürültü

Atıf

Wang M, Zhang H, Wang H, Fu Q ve Si P (2026) Düşük dozlu BT görüntülerinin ortak gürültü giderimi ve süper çözünürlüğü için çok ölçekli çapraz birleştirme ağı. Front. Med. 13:1961857. doi: 10.3389/fmed.2026.1961857

Alınma Tarihi

08 Ağustos 2026

Revize Edilme Tarihi

17 Ekim 2026

Kabul Tarihi

20 Ekim 2026

Yayınlanma Tarihi

17 Kasım 2026

13 – 2026

Amgad Muneer, Teksas Üniversitesi MD Anderson Kanser Merkezi, Amerika Birleşik Devletleri

Farzan Niknejad, Toronto Metropolitan Üniversitesi, Toronto, Kanada

Abirami. A, Sona Teknoloji Koleji, Hindistan

© 2026 Wang, Zhang, Wang, Fu ve Si.

Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.

*İletişim: Qizhi Fu fuqizhi33@sina.com; Pengju Si sipengju@haust.edu.cn

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Frontiers | A multi-scale cross aggregation network for joint denoising and super-resolution of low-dose CT images
Frontiers | A multi-scale cross aggregation network for joint denoising and super-resolution of low-dose CT images
İlginizi Çekebilir: T2 Ağırlıklı MR Tabanlı Bir Nomogram: Radyomik, Derin Öğrenme ve Klinik Faktörlerin Entegrasyonu ile T3–T4 Rektal Kanserinde Tümör Depozitlerinin Ameliyat Öncesi Tahmini – Çift Merkezli Geriye Dönük Bir Çalışma →
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler