کاهش ۵۰٪ زمان اسکن MRI با  بازسازی فرکتالی

کاهش ۵۰٪ زمان اسکن MRI با  بازسازی فرکتالی

 PCT TECH 004 :

 چالشهای بازسازی سریع MRI: از محدودیتهای Compressed Sensing تا شکنندگی یادگیری عمیق، و معرفی یک اختراع جایگزین

  ۱. صورت مسئله: چرا MRI اینقدر کند است؟

تصویربرداری تشدید مغناطیسی (MRI) بدون اغراق یکی از بزرگترین دستاوردهای پزشکی مدرن است. این فناوری با استفاده از میدانهای مغناطیسی قوی و امواج رادیویی، تصاویری با کنتراست استثنایی از بافتهای نرم بدن ارائه میدهد و این کار را بدون هیچگونه پرتو یونیزان و آسیب رسانی انجام میدهد. به همین دلیل، MRI در تشخیص طیف وسیعی از بیماریها از تومورهای مغزی و ضایعات نخاعی گرفته تا پارگی رباطها و بیماریهای قلبی نقشی بی بدیل ایفا میکند.

اما این ابزار بی نظیر یک نقطه ضعف بزرگ دارد:   زمان!

یک اسکن استاندارد MRI، بسته به پروتکل و ناحیه مورد تصویربرداری، بین ۱۵ تا ۶۰ دقیقه طول میکشد. این زمان طولانی پیامدهای متعددی دارد:

- برای بیمار: بی حرکتی طولانی در یک فضای باریک و پر سروصدا که برای کودکان، سالمندان، و افراد مبتلا به تنگناهراسی یا اختلالات حرکتی بسیار دشوار است.

- برای مراکز تصویربرداری: کاهش شدید توان عملیاتی یک دستگاه معمولی در روز فقط ۱۵ تا ۲۰ بیمار را پوشش میدهد.

- برای نظام سلامت: صف های انتظار طولانی (در برخی کشورها تا ۳ تا ۶ ماه) و هزینه های بالای هر اسکن (۵۰۰ تا ۲۰۰۰ دلار).

بر اساس گزارش OECD، سالانه حدود ۸۰ میلیون اسکن MRI در جهان انجام میشود. اگر زمان اسکن به نصف کاهش یابد، ظرفیت تشخیصی نظام سلامت جهانی به طور قابل توجهی افزایش می یابد و میلیاردها دلار صرفه جویی میشود. به همین دلیل، توسعه روشهایی برای تسریع اکتساب داده در MRI، طی دو دهه اخیر به یکی از کانونهای اصلی پژوهش در حوزه تصویربرداری پزشکی تبدیل شده است.

  ۲. ریشه مشکل: طبیعت ترتیبی اکتساب داده

برای درک علت کندی MRI، باید نگاهی به فیزیک حاکم بر آن بیندازیم. برخلاف دوربین های دیجیتال که در کسری از ثانیه، میلیونها پیکسل را به طور همزمان ثبت میکنند، در MRI سیگنالها به صورت  ترتیبی  و نقطه به نقطه جمع آوری میشوند.

داده های خام MRI در یک فضای ریاضی به نام  فضای بسامد  ذخیره میشوند. این فضا را میتوان معادل «نقشه فرکانسی» تصویر در نظر گرفت:

 - نواحی مرکزی این فضا حاوی اطلاعات کنتراست و ساختارهای درشت (مثلاً شکل کلی مغز) هستند.

- نواحی پیرامونی حاوی جزئیات ریز، لبه ها، و مرزهای بافتی هستند.

برای ساخت یک تصویر با کیفیت بالا، باید تمام نقاط این فضا را اندازه گیری کنیم. این یعنی دهها هزار اندازه گیری جداگانه که هر کدام چند میلی ثانیه زمان میبرند و مجموع آنها به ۱۰ تا ۴۰ دقیقه میرسد.

 سؤال کلیدی که پژوهشگران را به چالش کشیده این است:

آیا واقعاً باید همه این نقاط را اندازه گیری کنیم؟  آیا نمیتوانیم تعداد کمتری از آنها را برداریم و سپس با استفاده از الگوریتمهای ریاضی، تصویر کامل را بازسازی کنیم؟ این سؤال، دو دهه پیش، منجر به تولد یکی از بزرگترین تحولات در تصویربرداری پزشکی شد.

  ۳. MRI فشرده (Compressed Sensing): ایده درخشان، محدودیت جدی

 در سال ۲۰۰۷، تیمی از دانشگاه استنفورد به رهبری مایکل لاستیگ، مقاله بنیادینی منتشر کردند که در آن نشان دادند اگر تصویر MRI در یک حوزه خاص (مثلاً حوزه موجک)  تنک  باشد—یعنی تعداد کمی از ضرایب آن غیرصفر باشند میتوان آن را از کسری از داده های فضای بسامد (مثلاً ۲۰ تا ۲۵ درصد) با دقتی شگفت انگیز بازسازی کرد. این روش  MRI فشرده  (Compressed Sensing MRI) نام گرفت.

ایده اصلی: به جای اندازه گیری همه نقاط، تعدادی از آنها را به طور تصادفی یا با یک الگوی هوشمندانه برمیداریم، و سپس با حل یک مسئله بهینه سازی (که هدف آن یافتن تنکترین تصویری است که با داده های اندازه گیری شده سازگار باشد)، تصویر کامل را بازسازی میکنیم.

این روش انقلابی بود. هزاران مقاله بر اساس آن نوشته شد. شرکت های بزرگ سازنده MRI (زیمنس، جیای، فیلیپس) شروع به پیاده سازی نسخه هایی از آن در محصولات تجاری خود کردند. کاهش زمان اسکن به یک چهارم یا یک پنجم، برای اولین بار در دسترس به نظر میرسید.

اما با گذشت زمان، محدودیت جدی CS‑MRI آشکار شد: وقتی  نسبت داده های اندازه گیری شده به کل دادهها  از حدود ۲۵ درصد کمتر میشود (یعنی ضریب شتاب از ۴ بالاتر میرود)، کیفیت تصویر به شدت افت میکند. تصاویر پر از  مصنوعات سایه مانند  میشوند که تشخیص را مختل میکنند.

  دلیل این محدودیت چیست؟

 الگوریتمهای CS‑MRI کلاسیک از یک  آستانه یکسان  برای همه ضرایب موجک استفاده میکنند. اما ساختارهای بزرگ (مثلاً بطن های مغز) و ساختارهای کوچک (مثلاً عروق خونی ریز) از قوانین آماری متفاوتی پیروی میکنند. اعمال یک قانون واحد برای همه مقیاسها، نه میتواند ساختارهای بزرگ را به خوبی حفظ کند و نه جزئیات ریز را. برای دستیابی به شتابهای بالاتر، نیاز به رویکردی داریم که برای هر سطح از جزئیات، رفتاری متناسب با مقیاس آن داشته باشد یعنی یک روش  چندمقیاسی  یا  مقیاس به مقیاس .

  ۴. ورود یادگیری عمیق: پیشرفت بزرگ، چالش های تازه

 از حدود سال ۲۰۱۸، با پیشرفت چشمگیر شبکه های عصبی عمیق، پژوهشگران به سراغ روشهای مبتنی بر یادگیری عمیق برای بازسازی سریع MRI رفتند. ایده: به جای نوشتن یک فرمول ریاضی صریح، بگذارید یک شبکه عصبی از ده ها هزار اسکن قبلی «یاد بگیرد» که یک تصویر باکیفیت چه شکلی است و چگونه میتوان از داده های ناقص به آن رسید.

این روشها—که با نام هایی مانند Variational Networks، Unrolled Networks، و E2E‑VarNet شناخته میشوند—نتایج چشمگیری داشتند و توانستند ضریب شتاب را تا ۸ یا حتی ۱۰ افزایش دهند. یعنی زمان اسکن از ۱۲ دقیقه به کمتر از ۲ دقیقه کاهش یافت.

اما این موفقیت با چهار چالش جدی همراه است:

  چالش اول: نیاز به داده های عظیم   

یک شبکه عصبی عمیق برای عملکرد خوب، به ده ها هزار اسکن MRI با تنوع بالا نیاز دارد. این داده ها باید از جمعیتهای مختلف، دستگاههای گوناگون، و پروتکلهای متنوع جمع آوری شوند که برای اکثر مراکز تصویربرداری غیرممکن است.

 چالش دوم: جعبه سیاه بودن و خطر توهم   

شبکه های عصبی قابل توضیح نیستند. یک شبکه ممکن است ساختارهایی را به تصویر اضافه کند که در واقعیت وجود ندارند (پدیده  توهم  یا hallucination). در پزشکی، این یک خطر جدی است. رادیولوژیست نمیتواند به تصویری اعتماد کند که نمیداند چگونه ساخته شده است.

 چالش سوم: شکنندگی در برابر تغییر   

یک شبکه که روی دستگاه ۳ تسلا با پروتکل T1 آموزش دیده، روی دستگاه ۱.۵ تسلا با پروتکل T2 عملکرد ضعیفی دارد. برای هر ترکیب جدید، باید شبکه را دوباره آموزش داد یا تنظیم دقیق کرد فرایندی زمانبر و پرهزینه.

 چالش چهارم: هزینه زیرساخت  

اجرای این روشها به GPUهای گرانقیمت (ده ها هزار دلار) و تیمهای تخصصی نیاز دارد که برای بسیاری از مراکز تصویربرداری مقرون به صرفه نیست.

۵. یک کشف علمی: نظم پنهان در داده ها

 در سال ۲۰۰۸، گروهی از پژوهشگران در یک مقاله کمترشناخته شده به یک مشاهده مهم اشاره کردند:  داده های فضای بسامد در MRI از خاصیت خودهمانندی (self‑similarity) برخوردارند.  به بیان ساده، الگوی آماری داده ها در مقیاسهای مختلف (مرکز، میان مقیاس، و پیرامون فضای بسامد) به طرز شگفت انگیزی به یکدیگر شبیه است و از یک قانون توانی واحد پیروی میکند.

این خاصیت که در بسیاری از پدیده های طبیعی از خطوط ساحلی گرفته تا ساختار کهکشانها دیده میشود، به  ساختار فرکتالی  معروف است. یعنی هر بخش از داده ها، یک کپی کوچک شده از کل است. این یعنی داده های MRI تصادفی نیستند، بلکه از یک نظم پنهان پیروی میکنند.

اهمیت این کشف برای بازسازی سریع MRI چیست؟ اگر داده ها خودهمانند هستند، یعنی یک  نسبت مشخص  میان رفتار آماری آنها در مقیاس های مختلف برقرار است. به عبارت دیگر، خطای روش های کلاسیک (که یک آستانه یکسان برای همه مقیاسها اعمال میکنند) یک خطای سیستمی است و با یک تصحیح  مقیاس به مقیاس  قابل رفع است. در چنین تصحیحی، هر مقیاس وزنی متناسب با مقیاس خود دریافت میکند.

اما مهمتر از همه: از آنجا که این خودهمانندی یک  ویژگی ذاتی خود داده ها  است و نه یک الگوی یادگرفته شده از نمونه های خاص، یک روش مبتنی بر آن نیازی به داده های آموزشی ندارد . شما میتوانید هر تصویر MRI را از هر دستگاه، با هر پروتکل، و از هر بیمار با همین روش بازسازی کنید، بدون اینکه به ده ها هزار نمونه قبلی نیاز داشته باشید.

 ۶. معرفی یک اختراع جدید  

 روش جدیدی که در اینجا معرفی میشود که فعلاً به دلیل ماهیت محرمانه اختراع، بدون جزییات زیاد از آن یاد میکنیم دقیقاً بر اساس همین خاصیت خودهمانندی طراحی شده است.

در این روش، به جای یک آستانه یکسان، تصویر به چند سطح از جزئیات تجزیه میشود:

-  سطح درشت  (ساختارهای بزرگ مانند بطن های مغز، قشر خارجی، توده های قابل مشاهده): این سطح حیاتیترین بخش برای تشخیص است و با بیشترین وزن  حفظ میشود تا هیچ ساختار مهمی از دست نرود.

-  سطح متوسط  (ضایعات چند میلیمتری، نواحی مرزی بافتها، عروق متوسط): با  وزنی متوسط  پالایش میشود تا نویز حذف شود اما ساختار باقی بماند.

-  سطح ریز  (جزئیات بسیار کوچک، نویز کوانتیزاسیون، نوسانات تصادفی): با  کمترین وزن  پالایش میشود، زیرا سهم ناچیزی در تشخیص دارد و حذف آن به کیفیت کلی تصویر کمک میکند.

  نکته کلیدی:  نسبت این وزنها برای همه تصاویر و همه دستگاهها یکسان است. این نسبتها از یک  ثابت ریاضی بنیادین  استخراج شده اند که ریشه در نظریه PCT و هندسه دارد، نه از داده های تجربی. این یعنی روش جدید PCT :

-  ذاتی است  و به هیچ داده آموزشی نیاز ندارد.

-  در برابر تغییر دستگاه و پروتکل مقاوم است .

-  کاملاً شفاف است  و هر مرحله از پردازش، تفسیر فیزیکی مشخصی دارد.

-  روی پردازنده معمولی (CPU) اجرا میشود  و نیازی به GPU گران قیمت ندارد.

  ۷. نتایج شبیه سازی (بدون اعداد دقیق)

 این روش روی دو مجموعه داده معتبر جهانی  فانتوم BrainWeb (مجموعه شبیه سازی شده با تصویر اصلی مشخص) و داده های واقعی fastMRI (مجموعه منتشرشده توسط دانشگاه نیویورک که شامل اسکن های واقعی از بیماران است و به عنوان معیار اصلی مقایسه روشهای جدید در ادبیات علمی شناخته میشود) آزمایش شده است.

نتایج به وضوح نشان میدهند:

 - در نسبت نمونه برداری ۱ به ۶ (یعنی کاهش زمان اسکن از ۱۲ دقیقه به ۲ دقیقه)، کیفیت تصویر بازسازی شده با روش  جدید  PCT  ،  نه تنها از روشهای کلاسیک CS‑MRI بهتر است، بلکه از بهترین روشهای یادگیری عمیق موجود نیز بهتر عمل میکند .

- در نسبت نمونه برداری ۱ به ۸، برتری روش جدید چشمگیرتر میشود. روشهای یادگیری عمیق در این سطح مستعد تولید  توهم  (ساختارهای خیالی) هستند، در حالی که روش جدید PCT این مشکل را ندارد.

 -  زمان بازسازی:  روی یک پردازنده معمولی در کمتر از ۲ ثانیه.

 8.  ارزش اقتصادی و فرصت سرمایه گذاری

 بازار جهانی MRI در سال ۲۰۲۴ حدود ۷ میلیارد دلار ارزش داشته و با نرخ رشد سالانه ۶.۱٪ تا سال ۲۰۳۳ به ۱۲ میلیارد دلار خواهد رسید.

کاهش ۵۰٪ زمان اسکن به معنای:

-  دو برابر شدن ظرفیت  هر دستگاه MRI

-  ۱.۲ میلیون دلار درآمد اضافی  سالانه برای یک مرکز متوسط با ۴۰۰۰ اسکن

-  ۷.۵ میلیارد دلار صرفه جویی  جهانی در نظام های سلامت

و همه اینها با یک روش PCT که:

- نیازی به داده ندارد

- نیازی به GPU ندارد

- قابل ثبت اختراع است

- و به راحتی روی دستگاه های موجود پیاده سازی میشود

 ۱۰. محدودیتها و گامهای بعدی

این روش هنوز در مرحله تحقیقاتی است و برای اثبات نهایی نیاز به:

 ۱. آزمایش روی اسکنرهای واقعی با حضور رادیولوژیستها

۲. تست روی طیف گسترده ای از پروتکلها و نواحی آناتومیکی

۳. مقایسه مستقیم با روشهای تجاری موجود

۴. بهینه سازی کد برای اجرای بلادرنگ

اما استقلال از داده و شفافیت ذاتی، آن را به یک اختراع ایده ال برای جایگزینی روش های فعلی تبدیل کرده است.

جزئیات کامل این روش شامل الگوریتم دقیق، ثابت ریاضی به کار رفته، نحوه تجزیه مقیاسی، و کد اجرایی کامل به دلیل ماهیت محرمانه اختراع در این مقاله منتشر نشده است. این فناوری  برای ثبت اختراع آماده است .

   همکاری با:

-  سازندگان تجهیزات MRI  ( Siemens، GE، Philips و استارتاپها)

-  مراکز تصویربرداری بزرگ  برای انجام مطالعات بالینی

-  سرمایه گذاران  حوزه فناوری پزشکی

-  مشاوران ثبت اختراع

اگر در یکی از این حوزه ها فعالیت میکنید،  می توانید از طریق پروفایلم با من در ارتباط باشید تا توضیحات بیشتری ارائه دهم و در صورت توافق، کد شبیه سازی و مستندات فنی کامل را در اختیارتان قرار دهم.  این یک فرصت نادر است  یک روش ریاضی بنیادین که میتواند صنعت تصویربرداری پزشکی را متحول کند، بدون نیاز به داده، بدون جعبه سیاه، و با هزینه ای ناچیز.