गहन टोमोग्राफिक पुनर्निर्माण एक कम्प्यूटेशनल इमेजिंग तकनीक है जो प्रोजेक्शन मापों से क्रॉस-सेक्शनल छवियों का पुनर्निर्माण करने के लिए गहन-शिक्षण मॉडल लागू करती है, जैसे कि एक्स-रे कंप्यूटेड टोमोग्राफी (CT), पॉज़िट्रॉन एमिशन टोमोग्राफी (PET), या इलेक्ट्रॉन माइक्रोस्कोपी में प्राप्त माप। शास्त्रीय विधियों के विपरीत, जो इमेजिंग प्रणाली के स्पष्ट गणितीय मॉडल पर निर्भर करती हैं, गहन दृष्टिकोण कच्चे सेंसर डेटा या निम्न-गुणवत्ता वाले पुनर्निर्माणों से उच्च-निष्ठा वाली छवियों तक का मानचित्रण सीधे बड़े डेटासेट से सीखते हैं। यह क्षेत्र 2010 के मध्य में उभरा, जो तंत्रिका-नेटवर्क आर्किटेक्चर में प्रगति और बड़े पैमाने पर चिकित्सा इमेजिंग डेटासेट की उपलब्धता से प्रेरित था।
टोमोग्राफिक पुनर्निर्माण में मुख्य चुनौती एक व्युत्क्रम समस्या है: किसी वस्तु के रेखा समाकलनों (प्रोजेक्शन) के एक समुच्चय को देखते हुए, वस्तु के स्थानिक वितरण का अनुमान लगाना। शास्त्रीय एल्गोरिदम, जैसे कि फ़िल्टर्ड बैक प्रोजेक्शन (FBP) और पुनरावृत्तीय पुनर्निर्माण, सुस्थापित हैं, लेकिन कलाकृतियों से बचने के लिए अक्सर कई प्रोजेक्शन की आवश्यकता होती है और कम्प्यूटेशनल रूप से महंगे हो सकते हैं। गहन टोमोग्राफिक पुनर्निर्माण का लक्ष्य सीखे गए प्रायर (priors) का लाभ उठाकर इन सीमाओं को पार करना है, जिससे कम प्रोजेक्शन, कम विकिरण खुराक, या शोरगुल वाले मापों से सटीक पुनर्निर्माण संभव हो सके।
तंत्रिका नेटवर्क आर्किटेक्चर
अधिकांश गहन टोमोग्राफिक पुनर्निर्माण विधियाँ कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) का उपयोग करती हैं, विशेष रूप से यू-नेट आर्किटेक्चर, जिसे 2015 में बायोमेडिकल इमेज सेगमेंटेशन के लिए पेश किया गया था। यू-नेट में स्किप कनेक्शन के साथ एक एन्कोडर-डिकोडर संरचना होती है, जो उन्हें बहु-पैमाने की विशेषताओं को पकड़ने के साथ-साथ बारीक विवरणों को संरक्षित करने की अनुमति देती है। टोमोग्राफी में, यू-नेट आमतौर पर पोस्ट-प्रोसेसिंग के लिए उपयोग किए जाते हैं: वे प्रारंभिक FBP पुनर्निर्माण को इनपुट के रूप में लेते हैं और एक सुधारी गई छवि आउटपुट करते हैं, जिससे स्ट्रीकिंग कलाकृतियाँ और शोर कम होते हैं।
अधिक उन्नत दृष्टिकोण तंत्रिका नेटवर्क को सीधे पुनरावृत्तीय पुनर्निर्माण लूप में एकीकृत करते हैं, जिसे अनरोल्ड ऑप्टिमाइज़ेशन के रूप में जाना जाता है। ये विधियाँ डेटा-संगति चरणों (यह सुनिश्चित करना कि आउटपुट मापे गए प्रोजेक्शन से मेल खाता है) और सीखे गए डीनॉइज़िंग या नियमितीकरण चरणों के बीच वैकल्पिक होती हैं। उदाहरणों में लर्न्ड प्राइमल-डुअल एल्गोरिदम और ADMM-नेट शामिल हैं, जो हस्त-निर्मित नियमितीकरणकर्ताओं को प्रशिक्षण योग्य नेटवर्क से प्रतिस्थापित करते हैं। यह संकर दृष्टिकोण मॉडल-आधारित पुनर्निर्माण की व्याख्यात्मकता को गहन शिक्षण की अभिव्यंजक शक्ति के साथ जोड़ता है।
प्रशिक्षण डेटा और हानि फलन
गहन टोमोग्राफिक पुनर्निर्माण मॉडल को प्रशिक्षित करने के लिए निम्न-गुणवत्ता वाले इनपुट और उच्च-गुणवत्ता वाले ग्राउंड ट्रुथ छवियों के युग्मित डेटासेट की आवश्यकता होती है। चिकित्सा इमेजिंग में, ऐसा डेटा अक्सर मौजूदा CT स्कैन के अनुकरणित प्रोजेक्शन से आता है, जहाँ उच्च-खुराक वाले पुनर्निर्माण लक्ष्य के रूप में कार्य करते हैं और निम्न-खुराक या विरल-दृश्य प्रोजेक्शन अनुकरणित किए जाते हैं। सार्वजनिक डेटासेट, जैसे कि लो-डोज़ CT ग्रैंड चैलेंज (2016) और AAPM CT लिम्फ नोड डेटासेट, ने बेंचमार्किंग की सुविधा प्रदान की है।
हानि फलन प्रशिक्षण में महत्वपूर्ण भूमिका निभाते हैं। सबसे आम माध्य वर्ग त्रुटि (MSE) है, जो पिक्सेल-वार अंतरों को दंडित करता है लेकिन धुंधले आउटपुट उत्पन्न कर सकता है। पूर्व-प्रशिक्षित नेटवर्क की विशेषताओं पर आधारित अवधारणात्मक हानियाँ, और जनरेटिव एडवर्सेरियल नेटवर्क (GAN) से प्राप्त प्रतिकूल हानियाँ, तीक्ष्णता और यथार्थता में सुधार के लिए उपयोग की गई हैं। हानि-फलन जैसे कि संरचनात्मक समानता सूचकांक (SSIM) को भी अवधारणात्मक गुणवत्ता मेट्रिक्स के विभेदनीय सन्निकटन के रूप में शामिल किया गया है।
अनुप्रयोग और प्रदर्शन
गहन टोमोग्राफिक पुनर्निर्माण ने चिकित्सा इमेजिंग में अनुप्रयोग पाए हैं, जहाँ यह नैदानिक गुणवत्ता बनाए रखते हुए खुराक में कमी सक्षम बनाता है। उदाहरण के लिए, गहन शिक्षण का उपयोग करके निम्न-खुराक वक्ष CT पुनर्निर्माण ने FBP की तुलना में कम शोर और पुनरावृत्तीय विधियों के बराबर प्रदर्शन दिखाया है। औद्योगिक गैर-विनाशकारी परीक्षण में, गहन विधियाँ सीमित-कोण एक्स-रे स्कैन से आंतरिक संरचनाओं का पुनर्निर्माण करती हैं, जो निर्मित घटकों या पुरातात्विक कलाकृतियों के निरीक्षण के लिए उपयोगी है।
इलेक्ट्रॉन टोमोग्राफी में, जो संरचनात्मक जीवविज्ञान में उपयोग की जाती है, गहन शिक्षण सीमित कोणीय कवरेज वाली टिल्ट श्रृंखलाओं से मैक्रोमोलेक्यूल्स की 3D संरचनाओं का पुनर्निर्माण करने में मदद करता है। यह तकनीक भूकंपीय टोमोग्राफी पर भी लागू की गई है, जहाँ यह तरंग क्षेत्र डेटा से उपसतही गुणों का अनुमान लगाती है। प्रदर्शन बेंचमार्क संकेत देते हैं कि गहन विधियाँ अक्सर शास्त्रीय दृष्टिकोणों की तुलना में बेहतर छवि गुणवत्ता मेट्रिक्स, जैसे कि पीक सिग्नल-टू-नॉइज़ अनुपात (PSNR) और SSIM, प्राप्त करती हैं, विशेष रूप से विरल-दृश्य परिदृश्यों में।
चुनौतियाँ और सीमाएँ
सफलताओं के बावजूद, गहन टोमोग्राफिक पुनर्निर्माण कई चुनौतियों का सामना करता है। सामान्यीकरण एक प्रमुख चिंता है: विशिष्ट स्कैनर ज्यामिति या ऊतक प्रकारों पर प्रशिक्षित मॉडल नए डेटा वितरणों पर खराब प्रदर्शन कर सकते हैं। यह चिकित्सा इमेजिंग में विशेष रूप से समस्याग्रस्त है, जहाँ रोगी शरीर रचना और स्कैनर हार्डवेयर में भिन्नताएँ आम हैं। शोधकर्ताओं ने इस मुद्दे को कम करने के लिए डोमेन अनुकूलन और भौतिकी-सूचित नेटवर्क का पता लगाया है।
व्याख्यात्मकता एक और बाधा बनी हुई है। स्पष्ट गणितीय गारंटी वाले शास्त्रीय एल्गोरिदम के विपरीत, गहन नेटवर्क को अक्सर ब्लैक बॉक्स के रूप में माना जाता है। यह नियामक और नैदानिक स्वीकृति मुद्दों को उठाता है, क्योंकि रेडियोलॉजिस्ट और नियामक निकायों को पुनर्निर्माण की विश्वसनीयता में विश्वास की आवश्यकता होती है। इसे संबोधित करने के प्रयासों में अनिश्चितता मात्रा निर्धारण शामिल है, जहाँ नेटवर्क आत्मविश्वास मानचित्र आउटपुट करते हैं, और व्याख्यात्मक AI तकनीकों का विकास शामिल है।
कम्प्यूटेशनल लागत भी महत्वपूर्ण है। गहन मॉडल को प्रशिक्षित करने के लिए बड़े GPU क्लस्टर की आवश्यकता होती है, और अनुमान FBP की तुलना में धीमा हो सकता है, हालाँकि यह अभी भी कई पुनरावृत्तीय विधियों की तुलना में तेज़ है। डेटा-वर्धन तकनीकें, जैसे कि यादृच्छिक घुमाव और शोर इंजेक्शन, मजबूती में सुधार के लिए उपयोग की जाती हैं, लेकिन वे सामान्यीकरण समस्या को पूरी तरह से हल नहीं करती हैं। 2020 के दशक की शुरुआत तक, गहन टोमोग्राफिक पुनर्निर्माण एक सक्रिय शोध क्षेत्र है, जिसमें संकर मॉडल, स्व-पर्यवेक्षित शिक्षण, और नैदानिक कार्यप्रवाहों में कृत्रिम-बुद्धिमत्ता प्रणालियों के साथ एकीकरण पर चल रहा कार्य शामिल है।