۱. معرفی مقاله و اهمیت آن

تصویربرداری مقطعی کامپیوتری (Computed Tomography – CT) یکی از ابزارهای حیاتی در تشخیص پزشکی و کاربردهای صنعتی است که با جمع‌آوری اطلاعات از زوایای مختلف (که به آنها “تصویربرداری‌های پروجکشن” یا “اسکن” گفته می‌شود)، تصویری سه‌بعدی از ساختار داخلی یک شیء را تولید می‌کند. فرآیند بازسازی این تصاویر، اساساً یک “مسئله معکوس” (inverse problem) است که در آن، با داشتن داده‌های پروجکشن، هدف بازسازی تصویر اصلی مقطع عرضی است.

با این حال، CT با چالش‌های متعددی روبرو است. محدودیت‌هایی نظیر دوز پرتو (که برای سلامت بیمار حیاتی است)، تعداد و زاویه پروجکشن‌ها می‌توانند منجر به تولید تصاویر نویزی یا حاوی آرتیفکت‌ها (artifacts) شوند. این آرتیفکت‌ها می‌توانند دقت تشخیصی را کاهش داده و تفسیر تصاویر را دشوار سازند. نیاز مبرم به بازسازی تصاویر با کیفیت بالا از داده‌های ناقص یا پر سر و صدا، محققان را به سمت روش‌های نوین سوق داده است.

مقاله “مدل سینوگرام ماسک‌دار با ترانسفورمر برای بازسازی CT بدحالت: یک مطالعه مقدماتی” رویکردی تازه و نوآورانه را برای مقابله با این چالش‌ها ارائه می‌دهد. این مطالعه با الهام از موفقیت چشمگیر مدل‌های ترانسفورمر در پردازش زبان طبیعی (Natural Language Processing – NLP)، ایده‌ای بدیع را مطرح می‌کند: در نظر گرفتن یک پروجکشن CT به عنوان یک “توکن کلمه” و کل اسکن مقطع عرضی (که با نام سینوگرام (sinogram) شناخته می‌شود) به عنوان یک “جمله” در بستر پردازش زبان طبیعی. این تمثیل، دریچه‌ای جدید برای استفاده از قابلیت‌های قدرتمند ترانسفورمرها در درک الگوهای پیچیده و وابستگی‌های بلندمدت در داده‌های سینوگرام باز می‌کند و وعده بهبود قابل توجهی در کیفیت بازسازی تصاویر CT، به ویژه در شرایط داده‌های محدود و بدحالت (ill-posed)، می‌دهد. اهمیت این پژوهش در پتانسیل آن برای کاهش دوز پرتو، افزایش سرعت اسکن و بهبود دقت تشخیص در کاربردهای پزشکی و صنعتی نهفته است.

۲. نویسندگان و زمینه تحقیق

این مطالعه مقدماتی توسط محققان برجسته‌ای در زمینه هوش مصنوعی و تصویربرداری علمی انجام شده است:

• Zhengchun Liu
• Rajkumar Kettimuthu
• Ian Foster

این تیم تحقیقاتی، با تخصص‌های ترکیبی در پردازش تصویر و ویدئو، بینایی کامپیوتر و تشخیص الگو، و یادگیری ماشینی، یک دیدگاه میان‌رشته‌ای ارزشمند را به این پروژه آورده‌اند. فعالیت‌های آنها نشان‌دهنده یک گرایش رو به رشد در علوم کامپیوتر و مهندسی است که در آن، ابزارها و مدل‌های پیشرفته هوش مصنوعی، به‌ویژه آنهایی که در پردازش زبان طبیعی و بینایی ماشینی انقلابی ایجاد کرده‌اند، برای حل مسائل پیچیده در سایر حوزه‌های علمی، از جمله تصویربرداری پزشکی و فیزیک، به کار گرفته می‌شوند.

زمینه تحقیقاتی اصلی این مقاله در تقاطع یادگیری عمیق (Deep Learning)، پردازش سیگنال و تصویربرداری محاسباتی قرار دارد. نویسندگان به دنبال کشف پتانسیل مدل‌های بنیادی (Foundation Models) هستند که قادرند پس از آموزش بر روی حجم وسیعی از داده‌ها، برای وظایف مختلف با حداقل تنظیمات، عملکرد بهینه‌ای از خود نشان دهند. تمرکز ویژه بر روی مدل‌های ترانسفورمر (Transformer) است که به دلیل توانایی‌های خارق‌العاده‌شان در مدل‌سازی وابستگی‌های بلندمدت و استخراج ویژگی‌های معنایی از داده‌های ترتیبی، در یک دهه اخیر تحولی در هوش مصنوعی ایجاد کرده‌اند. این پژوهش نشان‌دهنده تلاش برای پر کردن شکاف بین پیشرفت‌های نظری در هوش مصنوعی و نیازهای عملی در تصویربرداری پزشکی است.

۳. چکیده و خلاصه محتوا

تصویربرداری Computed Tomography (CT) یک تکنیک تصویربرداری است که در آن اطلاعات مربوط به یک شیء از زوایای مختلف جمع‌آوری می‌شود که به آنها پروجکشن یا اسکن گفته می‌شود. سپس، با حل یک مسئله معکوس، تصویر مقطع عرضی که ساختار داخلی برش را نشان می‌دهد، تولید می‌شود. به دلیل محدودیت‌های خاصی مانند دوز پرتو یا زاویه‌های پروجکشن، تصاویر تولید شده می‌توانند نویزدار یا حاوی آرتیفکت باشند.

این مطالعه مقدماتی، با الهام از موفقیت مدل‌های ترانسفورمر در پردازش زبان طبیعی، ایده‌ای محوری را مطرح می‌کند: در نظر گرفتن هر پروجکشن توموگرافی به عنوان یک توکن کلمه و کل اسکن مقطع عرضی (معروف به سینوگرام) به عنوان یک جمله در بستر پردازش زبان طبیعی. این تمثیل هوشمندانه به محققان امکان می‌دهد تا از معماری قدرتمند ترانسفورمرها که برای درک زمینه و وابستگی‌های بین عناصر در یک دنباله طراحی شده‌اند، استفاده کنند.

هدف اصلی پژوهش بررسی ایده “مدل بنیادی” (Foundation Model) با آموزش یک مدل سینوگرام ماسک‌دار (Masked Sinogram Model – MSM) است. این مدل سپس برای کاربردهای پایین‌دستی مختلفی (fine-tune) می‌شود، از جمله بازسازی CT در شرایط محدودیت‌های جمع‌آوری داده (مانند بودجه فوتونی کم) و ارائه یک راه حل مبتنی بر داده برای تقریب زدن راه‌حل‌های مسئله معکوس در بازسازی CT. نتایج این مطالعه نشان‌دهنده پتانسیل بالای این رویکرد برای بهبود کیفیت تصاویر CT تحت شرایط نامطلوب است.

مدل‌ها و داده‌های استفاده شده در این مطالعه برای استفاده عموم در دسترس قرار گرفته‌اند و می‌توانند از طریق لینک https://github.com/lzhengchun/TomoTx دریافت شوند. این دسترسی عمومی، امکان بازتولید و توسعه بیشتر این پژوهش را برای جامعه علمی فراهم می‌کند.

۴. روش‌شناسی تحقیق

روش‌شناسی این مطالعه بر دو مفهوم کلیدی استوار است: مدل ترانسفورمر و مدل بنیادی، که به صورت نوآورانه‌ای برای مسئله بازسازی CT اقتباس شده‌اند. در ادامه به تشریح جزئیات این رویکرد می‌پردازیم:

۴.۱. تمثیل سینوگرام به عنوان زبان

قلب این روش‌شناسی، تمثیل هوشمندانه‌ای است که یک پروجکشن CT را به مثابه یک “توکن کلمه” و کل سینوگرام (مجموعه پروجکشن‌ها از زوایای مختلف) را به عنوان یک “جمله” در نظر می‌گیرد. این تمثیل به مدل اجازه می‌دهد تا از توانایی‌های ذاتی ترانسفورمرها در درک وابستگی‌های متنی و بلندمدت که در پردازش زبان طبیعی بسیار موفق بوده‌اند، بهره ببرد. در سینوگرام، هر پروجکشن حاوی اطلاعاتی درباره یک زاویه خاص است و ارتباط بین پروجکشن‌های مختلف، کلید بازسازی تصویر است. با این رویکرد، ترانسفورمر می‌تواند الگوهای پنهان و ارتباطات پیچیده در داده‌های پروجکشن را که برای بازسازی دقیق ضروری هستند، یاد بگیرد.

۴.۲. مدل سینوگرام ماسک‌دار (MSM)

رویکرد اصلی این مطالعه، آموزش یک مدل سینوگرام ماسک‌دار (Masked Sinogram Model – MSM) است. این فرآیند از روش‌های پیش‌آموزش (pre-training) مشابه آنچه در مدل‌های زبانی مانند BERT استفاده می‌شود، الگوبرداری می‌کند:

• پیش‌آموزش با ماسک‌گذاری: در مرحله پیش‌آموزش، بخش‌هایی از سینوگرام (مثلاً تعدادی از پروجکشن‌ها یا قسمت‌هایی از یک پروجکشن) به صورت تصادفی “ماسک” می‌شوند. سپس مدل ترانسفورمر آموزش می‌بیند تا این بخش‌های ماسک‌گذاری شده را بر اساس بقیه سینوگرام (زمینه) پیش‌بینی کند. این کار مدل را وادار می‌کند تا یک نمایش غنی و عمیق از ساختار و روابط درونی سینوگرام یاد بگیرد، به طوری که قادر به “پر کردن” اطلاعات از دست رفته باشد. این مرحله به مدل امکان می‌دهد تا الگوهای کلی تصویربرداری CT را بدون نیاز به برچسب‌های خاص برای هر وظیفه یاد بگیرد.
• تنظیم دقیق (Fine-tuning) برای کاربردهای پایین‌دستی: پس از پیش‌آموزش، مدل MSM برای وظایف خاص بازسازی CT تنظیم دقیق می‌شود. این وظایف می‌توانند شامل بازسازی با دوز پایین (low-dose CT)، بازسازی با زاویه محدود (limited-angle CT) یا مقابله با نویز شدید باشند. در این مرحله، مدل با مجموعه داده‌های کوچک‌تر و برچسب‌دار مربوط به وظیفه خاص آموزش می‌بیند تا عملکرد خود را برای آن کار بهینه کند. توانایی مدل در یادگیری از داده‌های محدود در مرحله تنظیم دقیق، یکی از مزایای اصلی رویکرد مدل بنیادی است.

۴.۳. حل مسائل بدحالت

یکی از مهمترین چالش‌ها در CT، مسائل بدحالت (ill-posed problems) است که زمانی رخ می‌دهند که داده‌های ورودی کافی برای بازسازی یک تصویر منحصربه‌فرد و با کیفیت وجود ندارد (مثلاً به دلیل دوز پرتو کم یا تعداد کم پروجکشن‌ها). مدل MSM با یادگیری یک نمایش قدرتمند و عمیق از سینوگرام در مرحله پیش‌آموزش، می‌تواند اطلاعات از دست رفته را با دقت بالا بازیابی کرده و به این ترتیب، کیفیت بازسازی را در شرایط بدحالت به طور قابل توجهی بهبود بخشد. این رویکرد داده‌محور، جایگزینی قدرتمند برای روش‌های تحلیلی سنتی و الگوریتم‌های تکراری ارائه می‌دهد که اغلب در مواجهه با داده‌های ناقص با محدودیت روبرو هستند.

۵. یافته‌های کلیدی

این مطالعه مقدماتی، دستاوردهای مهمی را در زمینه بازسازی تصاویر CT با استفاده از مدل‌های ترانسفورمر نشان می‌دهد. یافته‌های کلیدی به شرح زیر است:

• برتری در بازسازی تحت محدودیت داده: مدل MSM توانسته‌ است عملکرد قابل توجهی در بازسازی تصاویر CT در شرایطی که داده‌ها محدود هستند (مانند بودجه فوتونی کم یا تعداد پروجکشن‌های محدود) از خود نشان دهد. این امر به ویژه برای CT با دوز پایین اهمیت فراوانی دارد، جایی که کاهش دوز پرتو اغلب به قیمت افزایش نویز و آرتیفکت تمام می‌شود. MSM توانایی چشمگیری در بازیابی جزئیات تصویر و کاهش نویز حتی با داده‌های ورودی کمتر، ارائه می‌کند.

• کاهش موثر آرتیفکت‌ها: در CT سنتی، محدودیت‌های جمع‌آوری داده منجر به ایجاد آرتیفکت‌های نواری (streak artifacts)، نویز و تار شدن تصاویر می‌شود. مدل MSM به دلیل توانایی خود در درک روابط کلی در سینوگرام، قادر است این آرتیفکت‌ها را به طور موثرتری نسبت به روش‌های سنتی تشخیص داده و حذف کند، که منجر به تولید تصاویر با وضوح و کیفیت بصری بالاتر می‌شود.

• پتانسیل مدل‌های بنیادی در تصویربرداری علمی: این مطالعه به طور موفقیت‌آمیزی مفهوم مدل بنیادی (Foundation Model) را در حوزه تصویربرداری علمی به کار گرفته است. پیش‌آموزش مدل بر روی مجموعه بزرگی از سینوگرام‌ها و سپس تنظیم دقیق آن برای وظایف خاص، نشان می‌دهد که این رویکرد می‌تواند به مدل‌هایی با قابلیت تعمیم‌پذیری بالا و عملکرد قوی در شرایط مختلف منجر شود. این یک نقطه عطف برای کاربرد هوش مصنوعی در مسائل معکوس علمی است.

• راه‌حل داده‌محور برای مسائل معکوس: MSM یک رویکرد داده‌محور برای حل مسئله معکوس بازسازی CT ارائه می‌دهد. به جای اتکا به مدل‌های ریاضیاتی صریح و اغلب پیچیده، این مدل از داده‌ها یاد می‌گیرد که چگونه بهترین بازسازی را از سینوگرام‌های ناقص انجام دهد. این امر انعطاف‌پذیری و مقاومت بیشتری در برابر نویز و خطاهای مدل‌سازی فراهم می‌کند.

• توسعه یک منبع عمومی: در دسترس قرار دادن کد و داده‌های استفاده شده در GitHub، یکی دیگر از دستاوردهای مهم است که به جامعه علمی اجازه می‌دهد تا این کار را بازتولید، تأیید و بر اساس آن توسعه دهند. این امر شفافیت و همکاری در تحقیقات را ترویج می‌کند.

در مجموع، یافته‌های این مطالعه نشان می‌دهد که اقتباس مدل‌های ترانسفورمر از NLP به حوزه تصویربرداری CT، یک مسیر امیدوارکننده برای غلبه بر چالش‌های موجود در بازسازی تصاویر، به ویژه در شرایط محدودیت‌های عملیاتی، ارائه می‌دهد.

۶. کاربردها و دستاوردها

دستاوردها و کاربردهای بالقوه مدل سینوگرام ماسک‌دار (MSM) بسیار گسترده و تأثیرگذار هستند و می‌توانند تحولات مهمی را در زمینه‌های مختلف، به‌ویژه در پزشکی، ایجاد کنند:

۶.۱. کاربردهای پزشکی

• کاهش دوز پرتو برای بیماران: یکی از مهمترین مزایای این روش، امکان تولید تصاویر CT با کیفیت بالا حتی در صورت استفاده از دوز پایین پرتو است. این امر به ویژه برای بیماران جوان، زنان باردار و بیمارانی که نیاز به اسکن‌های مکرر دارند، حیاتی است. کاهش دوز پرتو، ریسک‌های سلامتی مرتبط با پرتوگیری را به حداقل می‌رساند.

• افزایش سرعت اسکن و کاهش آرتیفکت‌های حرکتی: با نیاز به تعداد کمتر پروجکشن، می‌توان زمان اسکن را کاهش داد. این نه تنها بهره‌وری را افزایش می‌دهد بلکه به کاهش آرتیفکت‌های حرکتی ناشی از نفس کشیدن یا حرکت ناخواسته بیمار، کمک شایانی می‌کند، که برای تصویربرداری از اندام‌های متحرک مانند قلب یا ریه‌ها بسیار مهم است.

• بهبود تشخیص بیماری: بازسازی تصاویر با نویز کمتر و آرتیفکت‌های حذف شده، منجر به وضوح بالاتر و جزئیات بیشتر در تصاویر می‌شود. این بهبود در کیفیت تصویر به پزشکان کمک می‌کند تا ضایعات کوچک‌تر را شناسایی کرده و تشخیص‌های دقیق‌تری ارائه دهند، که در نهایت به بهبود نتایج درمان بیمار منجر می‌شود.

• بازسازی از داده‌های ناقص (Limited-Angle CT): در برخی موارد، به دلیل وجود موانع فیزیکی یا ضرورت کاهش زمان اسکن، امکان جمع‌آوری داده از تمام زوایا وجود ندارد. MSM می‌تواند این چالش را با بازسازی مؤثر از پروجکشن‌های زاویه محدود حل کند و کاربردهای جدیدی را در جراحی‌های هدایت شده با تصویر یا CT حین عمل ممکن سازد.

۶.۲. کاربردهای صنعتی و علمی

• کنترل کیفیت غیرمخرب: در صنعت، CT برای تست‌های غیرمخرب (Non-Destructive Testing – NDT) و کنترل کیفیت مواد و قطعات استفاده می‌شود. MSM می‌تواند به بازرسی سریع‌تر و دقیق‌تر کمک کند، به ویژه برای قطعات پیچیده یا زمانی که دسترسی برای جمع‌آوری داده محدود است.

• توموگرافی علمی: اصول این مدل می‌تواند به سایر روش‌های توموگرافی علمی، مانند توموگرافی الکترونی در میکروسکوپ الکترونی یا میکرو-CT اشعه ایکس در علم مواد، که با چالش‌های مشابهی در بازسازی از داده‌های محدود روبرو هستند، گسترش یابد.

• راه‌حل داده‌محور برای مسائل معکوس: این مطالعه یک الگوی جدید برای حل مسائل معکوس پیچیده در علم و مهندسی ارائه می‌دهد. رویکرد مبتنی بر مدل بنیادی و یادگیری عمیق، می‌تواند به عنوان یک چارچوب کلی برای حل انواع مختلفی از مسائل بازسازی که در فیزیک، شیمی و علوم زیستی پدیدار می‌شوند، مورد استفاده قرار گیرد.

به طور خلاصه، مدل MSM نه تنها یک پیشرفت نظری در زمینه هوش مصنوعی و تصویربرداری است، بلکه دارای پتانسیل عملی عظیمی برای بهبود ایمنی بیمار، افزایش کارایی و گسترش قابلیت‌های CT در کاربردهای پزشکی، صنعتی و علمی است.

۷. نتیجه‌گیری

مطالعه مقدماتی “مدل سینوگرام ماسک‌دار با ترانسفورمر برای بازسازی CT بدحالت” گامی مهم و نوآورانه در جهت حل چالش‌های دیرینه در تصویربرداری CT برداشته است. با الهام از موفقیت‌های چشمگیر مدل‌های ترانسفورمر در پردازش زبان طبیعی، محققان با هوشمندی تمام، پروجکشن‌های CT را به عنوان “کلمات” و سینوگرام‌ها را به عنوان “جملات” مدل‌سازی کرده‌اند تا از قدرت این معماری‌ها برای درک زمینه و وابستگی‌های پیچیده در داده‌های تصویربرداری استفاده کنند.

این پژوهش نشان داد که مدل سینوگرام ماسک‌دار (MSM)، پس از مرحله پیش‌آموزش (pre-training) بر روی سینوگرام‌های ماسک‌دار، قادر است نمایش‌های قدرتمندی از داده‌ها را یاد بگیرد. این قابلیت به مدل اجازه می‌دهد تا در مرحله تنظیم دقیق (fine-tuning)، عملکردی عالی در بازسازی تصاویر CT از داده‌های ناقص یا نویزدار، که از ویژگی‌های مسائل بدحالت (ill-posed problems) هستند، ارائه دهد. نتایج حاکی از بهبود قابل توجهی در کیفیت تصویر، کاهش آرتیفکت‌ها و توانایی مقابله با محدودیت‌هایی نظیر دوز پایین پرتو و زاویه‌های پروجکشن محدود است.

دستاورد این مطالعه فراتر از یک روش بازسازی صرف است؛ این تحقیق راه را برای استفاده از مدل‌های بنیادی (Foundation Models) در سایر حوزه‌های تصویربرداری علمی و حل مسائل معکوس هموار می‌کند. انتشار عمومی کد و داده‌های مربوط به این پروژه در GitHub، گواهی بر تعهد نویسندگان به شفافیت و تشویق همکاری‌های آتی در جامعه علمی است.

آینده این زمینه بسیار روشن است. تحقیقات آتی می‌تواند بر روی گسترش این مدل به توموگرافی سه‌بعدی (3D CT)، بررسی استراتژی‌های ماسک‌گذاری پیشرفته‌تر، ترکیب با دانش فیزیکی مدل‌های تحلیلی و همچنین بررسی کاربردهای Real-time (زمان واقعی) متمرکز شود. این مطالعه، نه تنها یک راهکار عملی برای بهبود CT ارائه می‌دهد، بلکه به عنوان یک الگوی الهام‌بخش برای تلفیق هوش مصنوعی پیشرفته با علوم پایه و مهندسی عمل می‌کند و پتانسیل تحول آفرین هوش مصنوعی را در حل برخی از دشوارترین چالش‌های علمی ما برجسته می‌سازد.