توموگرافی کامپیوتری یا سی‌تی اسکن (CT Scan) یکی از قدرتمندترین ابزارهای تشخیصی در پزشکی مدرن است که تصاویر مقطعی دقیقی از اندام‌های داخلی بدن ارائه می‌دهد. با این حال، استفاده از این فناوری با یک چالش اساسی همراه است: قرار گرفتن بیمار در معرض اشعه ایکس. دوز بالای اشعه می‌تواند خطر ابتلا به سرطان را در درازمدت افزایش دهد. برای حل این مشکل، توموگرافی کامپیوتری با دوز پایین (LDCT) توسعه یافته است که با کاهش میزان تابش، ایمنی بیمار را به طرز چشمگیری افزایش می‌دهد.

اما این کاهش دوز، بدون هزینه نیست. تصاویر LDCT معمولاً دارای نویز (Noise) و آرتیفکت‌های (Artifacts) فراوانی هستند که کیفیت تصویر را کاهش داده و تشخیص دقیق را برای پزشکان دشوار می‌سازند. در سال‌های اخیر، هوش مصنوعی و به ویژه مدل‌های یادگیری عمیق، به عنوان راهکاری مؤثر برای بهبود کیفیت تصاویر LDCT مطرح شده‌اند. در این میان، معماری‌های مبتنی بر ترنسفورمر (Transformer) به دلیل توانایی بالا در درک روابط سراسری در تصویر، نتایج بسیار امیدوارکننده‌ای نشان داده‌اند.

با این وجود، موفقیت این مدل‌ها به شدت به دسترسی به حجم عظیمی از داده‌های آموزشی «جفت‌شده» (Paired Data) وابسته است؛ یعنی برای هر تصویر نویزی LDCT، باید یک تصویر متناظر با کیفیت بالا (که معمولاً با دوز استاندارد گرفته شده) به عنوان واقعیت زمینی (Ground Truth) وجود داشته باشد. جمع‌آوری چنین مجموعه داده‌هایی در مقیاس بزرگ، هم از نظر لجستیکی و هم از نظر اخلاقی (قرار دادن بیمار در معرض دو بار تابش) بسیار دشوار و پرهزینه است. مقاله حاضر با عنوان «خودرمزنگارهای نقاب‌دار برای نویززدایی توموگرافی کامپیوتری با دوز پایین» راهکاری نوآورانه برای غلبه بر این محدودیت ارائه می‌دهد. این پژوهش نشان می‌دهد که چگونه می‌توان با استفاده از یک روش یادگیری خودنظارتی (Self-supervised Learning) به نام خودرمزنگار نقاب‌دار (Masked Autoencoder – MAE)، مدل‌های ترنسفورمر را با داده‌های بدون برچسب (Unlabeled) پیش‌آموزش داد و وابستگی به داده‌های جفت‌شده را به حداقل رساند.

این مقاله توسط تیمی از پژوهشگران برجسته به نام‌های دایانگ وانگ (Dayang Wang)، یونگ‌شون شو (Yongshun Xu)، شو هان (Shuo Han) و هنگ‌یانگ یو (Hengyong Yu) به نگارش درآمده است. تخصص این محققان در حوزه‌های پردازش تصویر و ویدئو (Image and Video Processing)، بینایی کامپیوتر (Computer Vision) و یادگیری ماشین (Machine Learning) قرار دارد. تمرکز آن‌ها بر روی کاربرد الگوریتم‌های پیشرفته هوش مصنوعی برای حل چالش‌های واقعی در تصویربرداری پزشکی، اعتبار علمی این پژوهش را دوچندان می‌کند.

مقاله به این مسئله می‌پردازد که چگونه می‌توان کیفیت تصاویر LDCT را با استفاده از مدل‌های ترنسفورمر بهبود بخشید، در حالی که با چالش کمبود داده‌های آموزشی جفت‌شده مواجه هستیم. نویسندگان راهکار خود را بر پایه خودرمزنگارهای نقاب‌دار (MAE) بنا کرده‌اند؛ روشی که در حوزه‌های بینایی کامپیوتر و پردازش زبان طبیعی به عنوان یک تکنیک پیش‌آموزش خودنظارتی بسیار مؤثر و بدون نیاز به برچسب، شناخته شده است.

ایده اصلی این است که مدل MAE می‌تواند از حجم عظیم داده‌های بدون برچسب (تصاویر LDCT به تنهایی) برای یادگیری بازنمایی‌های غنی و معنادار از ویژگی‌های ساختاری تصاویر سی‌تی اسکن استفاده کند. این مدل با پنهان کردن (نقاب‌دار کردن) بخش‌هایی از تصویر ورودی و تلاش برای بازسازی آن‌ها، یاد می‌گیرد که ساختارهای آناتومیک و الگوهای نویز را درک کند. سپس، این دانش از پیش آموخته شده به یک مدل ترنسفورمر نویززدا منتقل می‌شود. نتایج تجربی بر روی مجموعه داده معتبر Mayo Clinic نشان می‌دهد که این رویکرد نه تنها عملکرد نویززدایی را به طور قابل توجهی بهبود می‌بخشد، بلکه وابستگی مدل به داده‌های واقعیت زمینی (Ground Truth) را نیز کاهش می‌دهد.

معماری پیشنهادی در این مقاله یک فرآیند دو مرحله‌ای را دنبال می‌کند: پیش‌آموزش (Pre-training) و تنظیم دقیق (Fine-tuning).

• مرحله اول: پیش‌آموزش با خودرمزنگار نقاب‌دار (MAE)
  در این مرحله، از یک معماری مبتنی بر رمزگذار-رمزگشا (Encoder-Decoder) استفاده می‌شود. فرآیند به این صورت است:
  1. نقاب‌گذاری (Masking): تصویر LDCT ورودی به تعدادی پچ (Patch) یا قطعه کوچک تقسیم می‌شود. سپس درصد بالایی از این پچ‌ها (مثلاً ۷۵٪) به صورت تصادفی حذف یا «نقاب‌دار» می‌شوند.
  2. رمزگذاری (Encoding): یک رمزگذار مبتنی بر ترنسفورمر (معمولاً Vision Transformer یا ViT) فقط پچ‌های باقی‌مانده (قابل مشاهده) را پردازش می‌کند. این کار باعث افزایش چشمگیر بهره‌وری محاسباتی می‌شود، زیرا بخش عمده‌ای از ورودی نادیده گرفته می‌شود. رمزگذار، ویژگی‌های سطح بالای این پچ‌ها را استخراج می‌کند.
  3. رمزگشایی (Decoding): یک رمزگشای سبک‌تر، بازنمایی‌های فشرده‌شده از پچ‌های قابل مشاهده را به همراه توکن‌های ویژه‌ای که جایگزین پچ‌های حذف‌شده شده‌اند، دریافت می‌کند. وظیفه رمزگشا بازسازی کل تصویر اصلی، از جمله بخش‌های نقاب‌دار شده، است.

  هدف از این مرحله، آموزش شبکه برای پیش‌بینی پیکسل‌های حذف‌شده بر اساس محتوای پچ‌های قابل مشاهده است. این فرآیند که یادگیری خودنظارتی نامیده می‌شود، مدل را وادار می‌کند تا درک عمیقی از ساختارهای آناتومیکی و ویژگی‌های ذاتی تصاویر سی‌تی اسکن به دست آورد، بدون آنکه به تصویر تمیز متناظر نیازی داشته باشد.

• مرحله دوم: تنظیم دقیق برای نویززدایی
  پس از اتمام مرحله پیش‌آموزش، رمزگذارِ آموزش‌دیده که اکنون سرشار از دانش ساختاری است، به عنوان ستون فقرات مدل نهایی نویززدا استفاده می‌شود. رمزگشای MAE کنار گذاشته شده و یک سرِ (Head) نویززدایی جدید به انتهای رمزگذار متصل می‌شود. سپس کل این مدل جدید با استفاده از مجموعه داده «کوچکی» از تصاویر جفت‌شده (LDCT و تصویر تمیز متناظر) تنظیم دقیق می‌شود. از آنجا که مدل با یک نقطه شروع هوشمندانه (وزن‌های پیش‌آموزش‌دیده) کار خود را آغاز می‌کند، برای رسیدن به عملکرد بالا به داده‌های برچسب‌دار بسیار کمتری نیاز دارد و فرآیند همگرایی آن سریع‌تر و مؤثرتر خواهد بود.

نویسندگان برای ارزیابی روش پیشنهادی خود، آزمایش‌های گسترده‌ای را بر روی مجموعه داده عمومی و معتبر Mayo Clinic LDCT انجام دادند. نتایج به دست آمده بسیار چشمگیر و مؤید کارایی این رویکرد است:

• بهبود عملکرد نویززدایی: مدل پیش‌آموزش‌دیده با MAE در مقایسه با مدل‌های ترنسفورمری که مستقیماً و از ابتدا (from scratch) فقط روی داده‌های جفت‌شده آموزش دیده‌اند، عملکرد بهتری از خود نشان داد. این برتری با استفاده از معیارهای کمی استاندارد مانند نسبت سیگنال به نویز پیک (PSNR) و شاخص شباهت ساختاری (SSIM) به اثبات رسید. مقادیر بالاتر این معیارها به معنای شباهت بیشتر تصویر بازسازی‌شده به تصویر واقعیت زمینی (تصویر با کیفیت بالا) است.
• حفظ بهتر جزئیات ساختاری: یکی از مهم‌ترین مزایای این روش، توانایی آن در حفظ جزئیات ظریف آناتومیک و لبه‌های تیز در تصویر خروجی است. بسیاری از الگوریتم‌های نویززدا تمایل به محو کردن (Blur) جزئیات دارند، اما پیش‌آموزش با MAE به مدل کمک می‌کند تا تفاوت بین نویز و ساختارهای واقعی بافت را بهتر تشخیص دهد.
• کاهش وابستگی به داده‌های برچسب‌دار: آزمایش‌ها نشان دادند که حتی زمانی که مدل فقط روی درصد کمی از داده‌های جفت‌شده موجود تنظیم دقیق می‌شود (مثلاً ۱۰٪ یا ۲۵٪)، عملکرد آن به طرز شگفت‌انگیزی به مدلی که روی کل داده‌های جفت‌شده آموزش دیده نزدیک است. این یافته، اهمیت عملی بسیار زیادی دارد، زیرا نشان می‌دهد می‌توان با داده‌های برچسب‌دار محدود، به نتایج عالی دست یافت.

این پژوهش دستاوردهای مهمی در دو سطح بالینی و تحقیقاتی به همراه دارد:

• کاربردهای بالینی: مهم‌ترین دستاورد این روش، امکان‌پذیر ساختن استفاده گسترده‌تر و ایمن‌تر از LDCT در محیط‌های بالینی است. با بهبود کیفیت تصاویر LDCT تا سطح تصاویر با دوز استاندارد، پزشکان می‌توانند با اطمینان بیشتری به تشخیص بپردازند. این امر به ویژه در موارد زیر حیاتی است:
  • غربالگری سرطان: مانند غربالگری سرطان ریه که نیازمند اسکن‌های مکرر است.
  • تصویربرداری از کودکان: که به دلیل حساسیت بیشتر به اشعه، کاهش دوز برای آن‌ها اولویت بالایی دارد.
  • پیگیری بیماری‌های مزمن: که بیماران ممکن است در طول زندگی خود بارها تحت سی‌تی اسکن قرار گیرند.
• دستاورد تحقیقاتی: این مقاله قدرت یادگیری خودنظارتی را در حوزه تصویربرداری پزشکی، جایی که داده‌های برچسب‌دار کمیاب و گران‌قیمت هستند، به نمایش می‌گذارد. این رویکرد می‌تواند به عنوان یک الگوی موفق برای سایر وظایف در تصویربرداری پزشکی مانند بخش‌بندی (Segmentation)، ثبت (Registration) و تشخیص بیماری در مودالیته‌های دیگر نظیر MRI و PET نیز به کار گرفته شود. این پژوهش راه را برای بهره‌برداری از آرشیوهای عظیم داده‌های پزشکی بدون برچسب که در بیمارستان‌ها موجود است، هموار می‌کند.

مقاله «خودرمزنگارهای نقاب‌دار برای نویززدایی توموگرافی کامپیوتری با دوز پایین» یک راهکار هوشمندانه و عملی برای یکی از چالش‌های اساسی در تصویربرداری پزشکی ارائه می‌دهد. نویسندگان با ترکیب قدرت معماری ترنسفورمر و کارایی یادگیری خودنظارتی از طریق MAE، مدلی را توسعه داده‌اند که می‌تواند به طور مؤثری نویز را از تصاویر LDCT حذف کرده و جزئیات ساختاری مهم را حفظ کند.

مهم‌ترین نوآوری این پژوهش، کاهش چشمگیر وابستگی به داده‌های جفت‌شده (LDCT/NDCT) است که همواره گلوگاه اصلی در توسعه مدل‌های یادگیری عمیق در این حوزه بوده است. این روش با بهره‌گیری از داده‌های بدون برچسب فراوان، به مدل امکان می‌دهد تا بازنمایی‌های ویژگی قدرتمندی را بیاموزد و در نهایت با مقدار کمی داده برچسب‌دار به عملکردی عالی دست یابد. این دستاورد نه تنها مسیر را برای تشخیص‌های پزشکی دقیق‌تر و ایمن‌تر هموار می‌کند، بلکه پتانسیل عظیم رویکردهای خودنظارتی را برای آینده هوش مصنوعی در پزشکی به اثبات می‌رساند.