DOI: https://doi.org/10.1007/s10439-024-03450-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38361137
تاريخ النشر: 2024-02-15
المؤلف: S.J.O. Rytky وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم البحث نهج التعلم العميق لتعزيز صور التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT)، مع معالجة القيود التي تواجه الأجهزة الحالية التي يمكنها تصوير الميزات حتى نصف مليمتر فقط وتفشل في قياس الميكروهيكل النسيجي. استخدمت الدراسة أنسجة الركبة من الجثث ومرضى استبدال الركبة الكلي، بالإضافة إلى عينات أسنان، لتدريب تقنية الدقة الفائقة (SR). تم تقييم أداء هذه الطريقة مقابل مجموعة اختبار خارج الجسم تتكون من 52 عينة عظمية غضروفية، وتم استخدام نموذج ضمان الجودة لتقييم جودة الصورة التقنية.
أشارت النتائج إلى أن نماذج SR قدمت توقعات أكثر دقة للمعلمات الشكلية للعظام مقارنة بأساليب معالجة الصور التقليدية. أظهر تحليل النموذج أن صور SR حققت دقة مكانية أعلى من الصور المستندة إلى الاستيفاء، على الرغم من وجود تعديلات في تدرجات الألوان في الصور. لوحظت تفاصيل محسنة في صور CBCT العضلية الهيكلية والوجهية باستخدام تقنية SR، على الرغم من وجود بعض العيوب بالقرب من تيجان الأسنان. بشكل عام، حصلت كل من SR والاستيفاء على درجات متوسطة من المراجعين. تستنتج الدراسة أن تدريب النماذج باستخدام طرق المختبر يمكن أن يوسع قدرات الدقة لتصوير CBCT السريري العضلي الهيكلي والأسنان، مما يشير إلى الحاجة إلى مجموعة بيانات تدريبية أكبر للوجه لتحسين التطبيقات السنية. تم إتاحة الشيفرة المصدرية والشبكات المدربة مسبقًا للجمهور لمزيد من البحث.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لجودة الصورة في تشخيص الأمراض العضلية الهيكلية والأسنان، مع التأكيد على مختلف طرق التصوير مثل التصوير بالرنين المغناطيسي (MRI)، والأشعة السينية، والموجات فوق الصوتية، والتصوير المقطعي المحوسب (CT). من بين هذه الطرق، يُلاحظ أن التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) يتمتع بقدرة على اكتشاف الأمراض العظمية والأسنان بحجم فوكسل يتراوح بين 100-200 ميكرومتر³، على الرغم من أن الدقة المكانية الفعالة محدودة بالميزات التي لا تقل عن 500 ميكرومتر بسبب نظرية نايكويست. تناقش هذه الفقرة قيود جودة صورة CBCT، التي تتأثر بعوامل مثل جرعة الإشعاع والحركة، وتؤكد على ضرورة وجود نماذج ضمان الجودة لتقييم جودة الصورة التقنية من خلال مقاييس مثل وظيفة نقل التعديل (MTF).
تتناول المقدمة أيضًا إمكانيات CBCT في تقييم التغيرات الميكروهيكلية للعظام المتعلقة بحالات مثل التهاب المفاصل وهشاشة العظام، والتي يمكن أن تؤثر بشكل كبير على التدخلات السريرية. تم تقديم التقدمات الأخيرة في تقنيات التعلم العميق (DL)، وخاصة طرق الدقة الفائقة (SR) باستخدام الشبكات العصبية التلافيفية (CNN)، كحلول واعدة لتعزيز جودة الصورة من صور CBCT منخفضة الدقة. تهدف الدراسة إلى الاستفادة من مجموعة بيانات محدودة من صور التصوير المقطعي المحوسب عالي الدقة (µCT) لتحسين جودة صور CBCT عبر التطبيقات العضلية الهيكلية والوجهية، مع فرضية أن طرق SR ستتفوق على معالجة الصور التقليدية في قياس الميكروهيكل العظمي وجودة الصورة العامة. يؤكد المؤلفون على الحاجة إلى التحقق السريري من هذه الخوارزميات لضمان تحسينها لجودة الصورة دون المساس بسلامة الميزات المرضية.
طرق
تحدد فقرة “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرارها. تشمل المنهجية إعداد التجربة، بما في ذلك ظروف التحكم، وبروتوكولات العلاج، والتحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك، قد تصف الفقرة تقنيات أخذ العينات، وطرق جمع البيانات، وأي اعتبارات أخلاقية ذات صلة. من خلال تقديم نظرة شاملة على الطرق، تهدف المؤلفون إلى تسهيل فهم وتكرار نتائجهم داخل المجتمع العلمي.
نتائج
تُعرض نتائج الدراسة حول نماذج الدقة الفائقة (SR) ثنائية وثلاثية الأبعاد، المدربة على مقياس دقة يتراوح بين 200 ميكرومتر إلى 50 ميكرومتر، في الجدول 2. يُظهر نموذج الأساس ثنائي الأبعاد، الذي يستخدم مزيجًا من متوسط الخطأ التربيعي (MSE) وفقدان التباين الكلي (TV)، أفضل مقاييس الأداء، حيث حقق MSE قدره $0.0072 \pm 0.0002$، ونسبة إشارة إلى ضوضاء ذروة (PSNR) قدرها $26.64 \pm 0.07$، ومقياس مؤشر التشابه الهيكلي (SSIM) قدره $0.812 \pm 0.003$.
بالمقابل، تُظهر نماذج الهيكل والرؤية ثنائية الأبعاد، إلى جانب نموذج الأساس ثلاثي الأبعاد، معدلات خطأ أعلى قليلاً، مما يشير إلى أنه على الرغم من أدائها الجيد، إلا أنها لا تتفوق على فعالية نموذج الأساس ثنائي الأبعاد. تبرز هذه النتائج تفوق نهج نموذج الأساس ثنائي الأبعاد في سياق تدريب الدقة المحدد هذا.
مناقشة
في هذه الدراسة، تم تطوير طريقة دقة فائقة (SR) تعتمد على التعلم العميق لتعزيز جودة صور التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) في التصوير العضلي الهيكلي والأسنان. تتكون مجموعة بيانات التدريب من عينات أنسجة الركبة من جثث صحية ومرضى جراحة استبدال الركبة الكلي، بالإضافة إلى أسنان بشرية مستخرجة، تم تصويرها جميعًا باستخدام أجهزة µCT وCBCT عالية الدقة. تم تدريب نماذج SR على صور مصغرة، باستخدام وظائف فقدان متنوعة لتحسين الدقة على مستوى البكسل والتشابه الهيكلي. أشارت النتائج إلى أن نموذج الهيكل ثنائي الأبعاد تفوق على النماذج الأخرى في توقع الميكروهيكل العظمي، محققًا معامل ارتباط قدره $r_{BV/TV} = 0.817 \pm 0.005$.
تم إجراء التحقق من صحة طريقة SR عبر تطبيقات سريرية متعددة، بما في ذلك التصوير المعصمي، والركبة، والكاحل، والتصوير السني. أظهر التحليل تحسينات كبيرة في الدقة المكانية وجودة الصورة، كما يتضح من تقييمات وظيفة نقل التعديل (MTF) ودراسات القارئ. ومع ذلك، اعترفت الدراسة بالقيود، مثل إمكانية وجود عيوب في توقعات SR والطبيعة الذاتية للتقييمات النوعية من قبل أطباء الأشعة. يُقترح أن تشمل الأعمال المستقبلية مجموعات بيانات أكبر وأكثر تنوعًا، بالإضافة إلى استكشاف دمج خرائط عدم اليقين في عملية إعادة البناء لتعزيز موثوقية التشخيص. بشكل عام، تسهم هذه الأبحاث في تقدم تقنيات التصوير في الإعدادات السريرية، مع إمكانية تطبيقات أوسع في التشخيص الطبي.
DOI: https://doi.org/10.1007/s10439-024-03450-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38361137
Publication Date: 2024-02-15
Author(s): S.J.O. Rytky et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research presents a deep-learning approach to enhance clinical cone-beam computed tomography (CBCT) images, addressing the limitations of current devices that can only image features down to half a millimeter and fail to quantify tissue microstructure. The study utilized knee tissue from cadavers and total knee replacement patients, as well as dental samples, to train a super-resolution (SR) technique. The performance of this method was evaluated against an ex vivo test set comprising 52 osteochondral samples, and a quality assurance phantom was used to assess technical image quality.
Results indicated that the SR models provided more accurate predictions of bone morphological parameters compared to traditional image processing methods. The phantom analysis demonstrated that SR images achieved higher spatial resolution than interpolated images, although there were modifications in image grayscales. Enhanced details were observed in musculoskeletal and maxillofacial CBCT images using the SR technique, despite some artifacts near dental crowns. Overall, both SR and interpolation received mediocre scores from reviewers. The study concludes that training models with laboratory modalities can extend the resolution capabilities of clinical musculoskeletal and dental CBCT, suggesting the need for a larger maxillofacial training dataset for improved dental applications. The source code and pretrained networks are made publicly available for further research.
Introduction
The introduction highlights the critical importance of image quality in diagnosing musculoskeletal and dental pathologies, emphasizing the various imaging modalities such as magnetic resonance imaging (MRI), radiography, ultrasound, and computed tomography (CT). Among these, cone-beam computed tomography (CBCT) is noted for its ability to detect orthopedic and dental pathologies with a voxel size of 100-200 µm³, although the effective spatial resolution is limited to features of at least 500 µm due to Nyquist’s theorem. The section discusses the limitations of CBCT image quality, which is influenced by factors such as radiation dose and motion, and underscores the necessity of quality assurance phantoms for assessing technical image quality through metrics like the modulation-transfer function (MTF).
The introduction also addresses the potential of CBCT in evaluating bone microstructural changes related to conditions like osteoarthritis and osteoporosis, which could significantly impact clinical interventions. Recent advancements in deep learning (DL) techniques, particularly superresolution (SR) methods using convolutional neural networks (CNN), are presented as promising solutions to enhance image quality from low-resolution CBCT images. The study aims to leverage a limited dataset of high-resolution micro-computed tomography (µCT) images to improve CBCT image quality across musculoskeletal and maxillofacial applications, hypothesizing that the SR methods will surpass traditional image processing in quantifying bone microstructure and overall image quality. The authors emphasize the need for clinical validation of these algorithms to ensure they enhance image quality without compromising pathological feature integrity.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility. The methodology encompasses the experimental setup, including control conditions, treatment protocols, and the statistical analyses applied to interpret the data.
Additionally, the section may describe the sampling techniques, data collection methods, and any relevant ethical considerations. By providing a comprehensive overview of the methods, the authors aim to facilitate understanding and replication of their findings within the scientific community.
Results
The results of the study on 2D and 3D super-resolution (SR) models, trained on a resolution scale of 200 µm to 50 µm, are presented in Table 2. The 2D baseline model, which utilizes a combination of Mean Squared Error (MSE) and Total Variation (TV) loss, demonstrates the best performance metrics, achieving an MSE of $0.0072 \pm 0.0002$, a Peak Signal-to-Noise Ratio (PSNR) of $26.64 \pm 0.07$, and a Structural Similarity Index Measure (SSIM) of $0.812 \pm 0.003$.
In contrast, the 2D structure and visual models, along with the 3D baseline model, exhibit slightly higher error rates, indicating that while they perform adequately, they do not surpass the effectiveness of the 2D baseline model. These findings highlight the superiority of the 2D baseline approach in this specific resolution training context.
Discussion
In this study, a deep learning-based super-resolution (SR) method was developed to enhance the quality of cone-beam computed tomography (CBCT) images in musculoskeletal and dental imaging. The training dataset comprised knee tissue samples from healthy cadavers and total knee arthroplasty patients, as well as extracted human teeth, all imaged using high-resolution µCT and CBCT scanners. The SR models were trained on downscaled images, employing various loss functions to optimize for pixel-wise accuracy and structural similarity. The results indicated that the 2D structure model outperformed other models in predicting bone microstructure, achieving a correlation coefficient of $r_{BV/TV} = 0.817 \pm 0.005$.
The validation of the SR method was conducted across multiple clinical applications, including wrist, knee, ankle, and dental imaging. The analysis demonstrated significant improvements in spatial resolution and image quality, as evidenced by modulation transfer function (MTF) assessments and reader studies. However, the study acknowledged limitations, such as the potential for artifacts in the SR predictions and the subjective nature of qualitative assessments by radiologists. Future work is suggested to include larger and more diverse datasets, as well as the exploration of integrating uncertainty maps into the reconstruction process to enhance diagnostic reliability. Overall, this research contributes to the advancement of imaging techniques in clinical settings, with the potential for broader applications in medical diagnostics.