
در تصویربرداری پزشکی، همواره یک چالش اساسی وجود داشته است:
چگونه میتوان کیفیت تصویر را افزایش داد، بدون آنکه بیمار دز بیشتری از اشعه ایکس دریافت کند؟
افزایش دز معمولاً باعث کاهش نویز و افزایش کیفیت تصویر میشود، اما همزمان میزان پرتو دریافتی بیمار نیز افزایش مییابد. از سوی دیگر، کاهش دز اگرچه ایمنی بیشتری ایجاد میکند، اما اغلب موجب افزایش نویز، کاهش کنتراست و از دست رفتن جزئیات تشخیصی میشود.
در سالهای اخیر، هوش مصنوعی و بهویژه شبکههای عصبی عمیق (Deep Learning)، راهکاری نوین برای حل این مسئله ارائه کردهاند؛ روشی که امروزه در بسیاری از سیستمهای پیشرفته CT و رادیوگرافی دیجیتال مورد استفاده قرار گرفته است.
در تصویربرداری با اشعه ایکس، تصویر از برخورد فوتونها به آشکارساز تشکیل میشود.
اما تعداد فوتونهای ثبتشده همیشه یکسان نیست و از قوانین آماری تبعیت میکند.
به همین دلیل نویز اصلی تصاویر X-Ray از نوع Poisson Noise (Shot Noise) است.
هرچه تعداد فوتونهای ثبتشده کمتر باشد:
نسبت سیگنال به نویز (SNR) کاهش مییابد.
جزئیات تصویر از بین میرود.
مرز بین بافتها کمتر مشخص میشود.
احتمال خطای تشخیص افزایش پیدا میکند.
به همین دلیل، تصاویر Low-Dose معمولاً کیفیت پایینتری نسبت به تصاویر معمولی دارند.
در روشهای جدید، مدلهای یادگیری عمیق با استفاده از هزاران یا میلیونها تصویر آموزشی آموزش داده میشوند.
در فرآیند آموزش، مدل همزمان دو تصویر مشاهده میکند:
تصویر کمدز (Low Dose)
تصویر استاندارد یا پردز (Reference)
شبکه عصبی بهتدریج یاد میگیرد که:
نویز را تشخیص دهد.
ساختارهای واقعی تصویر را از نویز تفکیک کند.
جزئیات از دست رفته را بازیابی کند.
تصویری تولید کند که بیشترین شباهت را به تصویر استاندارد داشته باشد.
به همین دلیل، خروجی نهایی اغلب بسیار تمیزتر و واضحتر از تصویر اولیه است.
امروزه مدلهای متعددی برای بازسازی تصاویر پزشکی استفاده میشوند که مهمترین آنها عبارتاند از:
CNN (Convolutional Neural Network)
U-Net
Residual Network (ResNet)
GAN (Generative Adversarial Network)
Transformer-based Networks
Diffusion Models (در نسل جدید)
هرکدام از این روشها برای حذف نویز، افزایش وضوح و حفظ جزئیات تصویر طراحی شدهاند.
بازسازی مبتنی بر هوش مصنوعی امروزه در بسیاری از تجهیزات تصویربرداری استفاده میشود.
مهمترین کاربردها عبارتاند از:
CT Scan کمدز
Digital Radiography (DR)
Mammography
Dental Imaging
Fluoroscopy
Mobile X-Ray
Cone Beam CT (CBCT)
استفاده از AI در بازسازی تصاویر مزایای متعددی دارد:
✅ کاهش دز دریافتی بیمار
✅ کاهش نویز تصویر
✅ افزایش نسبت سیگنال به نویز (SNR)
✅ بهبود وضوح فضایی (Spatial Resolution)
✅ افزایش کنتراست تصویر
✅ مشاهده بهتر ضایعات کوچک
✅ کاهش نیاز به تصویربرداری مجدد
✅ افزایش سرعت پردازش تصویر
با وجود پیشرفتهای قابل توجه، این فناوری بدون محدودیت نیست.
مهمترین چالشها عبارتاند از:
وابستگی شدید به کیفیت دادههای آموزشی
احتمال ایجاد جزئیات مصنوعی (Hallucination)
دشواری تفسیر عملکرد برخی مدلهای یادگیری عمیق
نیاز به اعتبارسنجی بالینی گسترده
الزام به دریافت تأییدیههای پزشکی و قانونی
به همین دلیل، خروجی سیستمهای مبتنی بر هوش مصنوعی باید همواره تحت نظارت متخصصان تصویربرداری و رادیولوژی ارزیابی شود.
نسل جدید سیستمهای تصویربرداری به سمت Smart Reconstruction حرکت میکنند؛ یعنی دستگاه علاوه بر تولید تصویر، بهصورت هوشمند کیفیت آن را بهبود میدهد.
انتظار میرود در سالهای آینده هوش مصنوعی نقش مهمی در موارد زیر ایفا کند:
کاهش بیشتر دز پرتو
بازسازی سهبعدی سریعتر
حذف نویز در زمان واقعی
تشخیص خودکار ضایعات
بهینهسازی پارامترهای تصویربرداری
بازسازی تصاویر اشعه ایکس با هوش مصنوعی یکی از مهمترین دستاوردهای سالهای اخیر در تصویربرداری پزشکی است. این فناوری با استفاده از الگوریتمهای یادگیری عمیق، امکان تولید تصاویر باکیفیت از دادههای کمدز را فراهم کرده و تعادل میان ایمنی بیمار و کیفیت تشخیصی را بهبود بخشیده است.
با پیشرفت مدلهای هوش مصنوعی، انتظار میرود این فناوری در آینده به یکی از اجزای اصلی تمامی سامانههای تصویربرداری پزشکی و صنعتی تبدیل شود.
H. Chen et al., Low-Dose CT with Deep Learning, IEEE Transactions on Medical Imaging.
Ge Wang et al., Deep Learning for Image Reconstruction, Nature Reviews Physics.
Radiology: Artificial Intelligence (RSNA).
Nature Machine Intelligence.
ICRP Publication 135 – Diagnostic Reference Levels in Medical Imaging.
Bushberg JT, The Essential Physics of Medical Imaging, 4th Edition.